interface homem-m¶aquina para uma cadeira de rodas...

Daniel Cruz Cavalieri

Interface Homem-Maquina para uma

Cadeira de Rodas Baseada no Movimento

Ocular e Piscadas de Olhos

Dissertacao apresentada a Coordenacao doMestrado em Engenharia Eletrica da Uni-versidade Federal do Espırito Santo para aobtencao do tıtulo de Mestre em EngenhariaEletrica.

Orientador:

Prof. Dr. Teodiano Freire Bastos Filho

Co-orientador:

Prof. Dr. Mario Sarcinelli Filho

Mestrado em Engenharia EletricaDepartamento de Engenharia Eletrica

Centro TecnologicoUniversidade Federal do Espırito Santo

Vitoria – ES

Setembro / 2007

Dados Internacionais de Catalogação-na-publicação (CIP)(Biblioteca Central da Universidade Federal do Espírito Santo, ES, Brasil)

Cavalieri, Daniel Cruz, 1982-C314i Interface homem-máquina para uma cadeira de rodas baseada no

movimento ocular e piscadas de olhos / Daniel Cruz Cavalieri. – 2007.89 f. : il.

Orientador: Teodiano Freire Bastos Filho.Co-Orientador: Mário Sarcinelli Filho.Dissertação (mestrado) – Universidade Federal do Espírito Santo,

Centro Tecnológico.

1. Interação homem-máquina. 2. Processamento de sinais - Técnicas digitais. 3. Reconhecimento de padrões óticos. 4. Reabilitação. 5. Sistemas homem-máquina. I. Bastos Filho, Teodiano Freire. II. Sarcinelli Filho, Mário. III. Universidade Federal do Espírito Santo. Centro Tecnológico. IV. Título.

CDU: 621.3

Dissertacao de Mestrado sob o tıtulo “Interface Homem-Maquina para uma Cadeira

de Rodas Baseada no Movimento Ocular e Piscadas de Olhos”, defendida por Daniel Cruz

Cavalieri e aprovada em 24 de setembro de 2007, em Vitoria, Espırito Santo, pela banca

examinadora constituıda pelos doutores:

Prof. Dr. Teodiano Freire Bastos FilhoUniversidade Federal do Espırito Santo

Orientador

Prof. Dr. Mario Sarcinelli FilhoUniversidade Federal do Espırito Santo

Co-orientador

Prof. Dr. Humberto Ferasoli FilhoUniversidade Estadual Paulista

Profa. Dra. Raquel Frizera VassaloUniversidade Federal do Espırito Santo

Dedico esta Dissertacao a minha famılia,

cujo apoio, alegria e uniao foram de grande importancia

para a conclusao de mais esta etapa da minha vida.

Agradecimentos

A realizacao deste trabalho so foi possıvel atraves da valiosa contribuicao de algumas

pessoas, as quais expresso minha sincera gratidao:

Aos meus pais, Elizier e Elide pela minha formacao e por terem me concedido a

oportunidade de estudar, alem de sempre apoiarem meus sonhos. Ao meu irmao Leandro

pela alegria da convivencia e apoio constante.

A Karla pelo apoio vital e por quase sempre compreender minha ausencia.

Ao professor Dr. Teodiano Freire Bastos Filho pelo privilegio de sua orientacao du-

rante a elaboracao deste trabalho, por acreditar no meu potencial, pelos conselhos e

amizade.

Ao professor Dr. Mario Sarcinelli Filho pelos puxoes de orelha na hora certa e pelos

conselhos sempre corretos.

Aos companheiros do LAI pela experiencias compartilhadas, pelos trabalhos realizados

e pelos bons momentos vividos. Especialmente, a Mariana, pelo sorriso, carinho, forca, e

por sempre estar, literalmente, ao meu lado.

Ao meu amigo e irmao siames Alexandre Brandao pelos momentos de companhia, des-

contracao e cumplicidade. Aos amigos da graduacao pelas otimas lembrancas e amizade

sempre revigoradas.

Aos professores participantes da banca examinadora Raquel Frizera Vassalo e Hum-

berto Ferasoli Filho, pela boa vontade ao aceitar o convite para participar da banca, pela

leitura criteriosa e contribuicao neste trabalho.

Finalmente, a todas as pessoas que contribuıram, mesmo que de forma anonima, a

realizacao deste trabalho.

“Para as pessoas, a tecnologia torna as coisas mais faceis.

Para as pessoas com deficiencia, a tecnologia torna as coisas possiveis”.

Mary Pat Radabaugh

Resumo

Cavalieri, D. C. (2007) “Interface Homem-Maquina para uma Cadeira de Rodas Baseadano Movimento Ocular e Piscadas de Olhos”. Vitoria, Outubro de 2007. 90p. Dissertacao(Mestrado) - Departamento de Engenharia Eletrica, Universidade Federal do EspıritoSanto.

Este trabalho tem a finalidade de desenvolver interfaces homem-maquina para comu-nicacao de pessoas com deficiencia com um PDA (Personal Digital Assistant) e, pos-teriormente, para controle de uma cadeira de rodas robotica. Foram implementadasduas interfaces, uma baseada no sinal mioeletrico proveniente da piscada de olhos, eoutra baseada no rastreamento do movimento dos olhos, atraves de videooculografia. Noprimeiro caso, foram avaliadas tecnicas de filtragem digital classica a fim de atenuar osruıdos que corrompem o sinal mioeletrico. Tambem foram implementados e analisadossistemas de reconhecimento e deteccao de padroes associados a piscada de olhos. Ini-cialmente, utilizou-se uma tecnica simples de analise de atividade, baseada na varianciado sinal, para detectar a realizacao da piscada. Posteriormente, com o intuito de classi-ficacao e reducao do efeito estocastico do sinal mioeletrico da piscada, utilizaram-se redesneurais artificiais feedforward, cuja estrutura e composta por uma camada de entrada,uma intermediaria e uma de saıda, treinadas com algoritmos Bayesian Regularization,Resilient Backpropagation e Scaled Conjugate Gradient. Com o intuito de expandir aspossibilidades do usuario com deficiencia severa e suprir alguns problemas encontrados nainterface baseada no sinal mioeletrico da piscada de olhos, implementou-se tambem umsistema de rastreamento do movimento dos olhos. Nesta interface de baixo custo, foramempregadas tecnicas de processamento de imagens aliadas a aplicacao da TransformadaCircular Randomica de Hough. Alem disso, com o objetivo de aumentar a resolucaodo sistema, utilizou-se um filtro de Kalman nas coordenas x e y do centro determinadopelo calculo do centroide da regiao de interesse a partir da localizacao da ıris do olho.Avaliou-se tambem nesta interface problemas ocasionados pela diferenca de intensidadeluminosa e pela piscada de olhos. Em ambas as interfaces desenvolvidas, os resultados en-contrados mostraram-se bastante satisfatorios, sendo em alguns casos superiores a outrosencontrados na literatura.

Palavras-chave: Interfaces Homem-Maquina, Sinais Mioeletricos, Processamento Digi-tal de Sinais, Reconhecimento de Padroes, Videooculografia, Engenharia de Reabilitacao.

Abstract

This work has the purpose of developing human-machine interfaces for people withdisabilities in order to improve their life-quality, providing communication with a PDA(Personal Digital Assistant) and then controling a robotic wheelchair. Both interfaceshave been implemented, one based on the myoelectric signal intentionally generated byeye blinks, and another based on the eye-tracking through video-oculography. In the firstcase, classical techniques of digital filtering were used, in order to attenuate the noise whichcorrupts the myoelectric signal. Techniques of pattern recognition have been implementedfor processing with eye blinks. Initially, a simplified system for the analysis of activity,based on the variance of the signal, was implemented to detect the blink. Later, withthe purpose of classification and reduction of the stochastic effect of the signal, artificialneural networks were used, whose structure is composed of a input layer, an intermediateand an output layer, trained with Bayesian Regularization, Resilient Backpropagation andScaled Conjugate Gradient algorithms. In order to expand the opportunities of peoplewith severe disabilities and resolve problems found at the interface based on eye blinks,a system for eye-tracking was also implemented. This interface employed techniquesfor image processing allied to the application of Randon Circular Transformed of Hough.Furthermore, in order to increase the resolution of the system, a Kalman filter was appliedto the eye center coordinates which was determined through the centroid of the region ofinterest from the iris location. Problems with this interface were also evaluated, which arecaused by the difference in light intensity and the eye blinks. In both interfaces, resultshave proved very satisfactory.

Palavras-chave: Human-Machine Interfaces, Myoelectric Signals, Digital Signal Process-ing, Pattern Recognition, Video-Oculography, Rehabilitation Engineering.

Sumario

Lista de Figuras

Lista de Tabelas

1 Introducao p. 16

1.1 Motivacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22

1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 23

1.3 Trabalhos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 24

1.3.1 Sistemas e Projetos Baseados em Sinais Mioeletricos . . . . . . p. 24

1.3.2 Sistemas e Projetos de Deteccao do Movimento dos Olhos . . . p. 25

1.4 Organizacao da dissertacao . . . . . . . . . . . . . . . . . . . . . . . . . p. 31

2 O Sinal Mioeletrico da Piscada de Olhos p. 32

2.1 Fisiologia da Contracao Muscular . . . . . . . . . . . . . . . . . . . . . p. 32

2.2 Caracterısticas do SME de Superfıcie . . . . . . . . . . . . . . . . . . . p. 35

2.3 Caracterısticas dos SMEs Proveniente das Piscadas dos Olhos . . . . . p. 36

2.3.1 Aquisicao das Piscadas dos Olhos . . . . . . . . . . . . . . . . . p. 38

2.3.1.1 Bloco Analogico . . . . . . . . . . . . . . . . . . . . . p. 41

2.3.1.2 Bloco Digital . . . . . . . . . . . . . . . . . . . . . . . p. 42

2.4 Filtragem dos SMEs de Piscadas . . . . . . . . . . . . . . . . . . . . . p. 43

2.4.1 Fontes de Ruıdos e Interferencia . . . . . . . . . . . . . . . . . . p. 43

2.4.1.1 Interferencia da rede eletrica . . . . . . . . . . . . . . . p. 43

2.4.1.2 Artefatos de Movimento . . . . . . . . . . . . . . . . . p. 44

2.4.1.3 Ruıdos Musculares . . . . . . . . . . . . . . . . . . . . p. 44

2.4.1.4 Movimento dos Olhos . . . . . . . . . . . . . . . . . . p. 44

2.4.2 Tecnicas de Filtragem Aplicadas ao SME da Piscada . . . . . . p. 45

2.4.2.1 Filtragem Digital Classica . . . . . . . . . . . . . . . . p. 45

2.4.2.2 Filtragem dos Artefatos de Movimento . . . . . . . . . p. 47

2.4.2.3 Filtragem do Ruıdo Muscular . . . . . . . . . . . . . . p. 48

2.4.2.4 Filtragem dos Ruıdos da Rede Eletrica . . . . . . . . . p. 49

2.5 Deteccao e Identificacao das Piscadas de Olhos . . . . . . . . . . . . . . p. 50

2.5.1 Analise de Atividade . . . . . . . . . . . . . . . . . . . . . . . . p. 51

2.5.2 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . p. 52

2.5.2.1 Deteccao do Pico da Piscada . . . . . . . . . . . . . . p. 56

2.5.2.2 Deteccao do Intervalo de Duracao da Piscada . . . . . p. 57

2.5.2.3 Reconhecimento Automatico de Piscadas (RAP) . . . p. 60

2.6 Resultados Experimentais . . . . . . . . . . . . . . . . . . . . . . . . . p. 60

2.6.1 Analise de Atividade . . . . . . . . . . . . . . . . . . . . . . . . p. 60

2.6.2 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . p. 61

2.6.3 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 61

2.7 Problemas Associados a Piscada de Olhos . . . . . . . . . . . . . . . . p. 62

3 Rastreamento do Movimento dos Olhos (Eye-Tracking) p. 64

3.1 Tecnicas de Rastreamento dos Olhos . . . . . . . . . . . . . . . . . . . p. 65

3.1.1 Eletrooculografia . . . . . . . . . . . . . . . . . . . . . . . . . . p. 65

3.1.2 Lentes de Contato Especiais . . . . . . . . . . . . . . . . . . . . p. 65

3.1.3 Reflexo de Infravermelho (IR) . . . . . . . . . . . . . . . . . . . p. 65

3.1.4 Videooculografia . . . . . . . . . . . . . . . . . . . . . . . . . . p. 65

3.2 Descricao do Sistema Desenvolvido . . . . . . . . . . . . . . . . . . . . p. 66

3.2.1 Camara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 67

3.2.2 Programa de Interface . . . . . . . . . . . . . . . . . . . . . . . p. 68

3.2.3 Binarizacao da Imagem e Threshold . . . . . . . . . . . . . . . . p. 69

3.2.4 O Filtro Canny . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 70

3.2.5 Transformada Circular Randomica de Hough . . . . . . . . . . . p. 72

3.2.6 Calculo do Centroide . . . . . . . . . . . . . . . . . . . . . . . . p. 77

3.3 Consideracoes Praticas para o Eye-Tracking . . . . . . . . . . . . . . . p. 79

3.3.1 Iluminacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 79

3.3.2 Piscada dos Olhos . . . . . . . . . . . . . . . . . . . . . . . . . . p. 80

4 Consideracoes Finais p. 81

4.1 Consideracoes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 81

4.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 82

Referencias p. 84

Lista de Figuras

1 Estrutura da interface homem-maquina baseada no sinal mioeletrico prove-

niente da piscada de olhos. . . . . . . . . . . . . . . . . . . . . . . . . . p. 18

2 Estrutura da interface homem-maquina baseada no rastreamento do movi-

mento dos olhos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19

3 Tela principal de opcoes para o operador no PDA. . . . . . . . . . . . . p. 20

4 Telas de interface presentes no PDA. . . . . . . . . . . . . . . . . . . . p. 20

5 Estrutura geral da cadeira de rodas robotica. . . . . . . . . . . . . . . . p. 21

6 Cadeira de rodas robotica desenvolvida na UFES e as principais partes

que a compoem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22

7 Sistemas de rastreamento (SMI). . . . . . . . . . . . . . . . . . . . . . p. 26

8 Sistema “Express Eye”. . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27

9 Sistema “Metrovison”com base no IROG. . . . . . . . . . . . . . . . . . p. 28

10 Sistemas “Metrovision”baseado em VOG. . . . . . . . . . . . . . . . . . p. 28

11 Programas de comunicacao e entretenimento desenvolvidos para utilizacao

em conjunto com o sistema “EagleEyes”. . . . . . . . . . . . . . . . . . p. 29

12 Dispositivo constituıdo de camara e espelho especial montados em oculos

de protecao. E possıvel notar as camaras laterais colocadas estrategica-

mente com relacao ao espelho especial, e ainda uma camara superior para

determinar onde o usuario esta olhando. . . . . . . . . . . . . . . . . . p. 31

13 Neuronio Motor (adaptado de [1]). . . . . . . . . . . . . . . . . . . . . p. 33

14 Unidade Motora [2]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 34

15 Formacao de um MUAP [3]. . . . . . . . . . . . . . . . . . . . . . . . . p. 34

16 Representacao esquematica da geracao do sinal mioeletrico de um musculo,

a partir do somatorio dos trens de MUAPs das n unidades motoras deste

musculo [3]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 35

17 Espectro de frequencia de um SME obtido do musculo braquial anterior

durante uma forca de contracao isometrica constante com 50% de forca

voluntaria maxima (adaptado de [4]). . . . . . . . . . . . . . . . . . . . p. 36

18 Sinais tıpicos provenientes da piscada do olho direito e do olho esquerdo. p. 37

19 (a) SME obtido da piscada proveniente do olho direito durante uma forca

de contracao voluntaria.(b) Espectro de frequencia do SME da piscada

do olho direito. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 37

20 Principal grupo de musculos responsaveis pela geracao das piscadas [5]. p. 38

21 (a) Eletrodos passivos de Ag-AgCl utilizados para aquisicao do SME da

piscada dos olhos. (b) Cabo para a conexao dos eletrodos ao sistema de

aquisicao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39

22 Representacao de um amplificador diferencial captando o SME da pis-

cada dos olhos. O sinal e representado por mi e o ruıdo por n. . . . . . p. 40

23 Espectro de frequencia do SME da piscada de olhos afetado pela local-

izacao dos eletrodos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 40

24 Placa analogica responsavel pelo acondicionamento do SME da piscada

do olho. Em destaque, os principais componentes que compoem a placa. p. 41

25 Placa responsavel pela conversao A/D do SME proveniente da piscada

do olho. Em destaque, os principais componentes que compoe a placa. . p. 42

26 SMEs provenientes da piscada do olho direito contaminados com ruıdo

de artefato de movimento, e o mesmo, logo apos a aplicacao de um filtro

passa-altas IIR Butterworth de ordem 2 e frequencia de corte 0,15 Hz. . p. 47



passa-altas FIR de ordem 2048 com janela de Kaiser e frequencia de corte

em 0,15 Hz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 48



passa-altas FIR de ordem 696 com janela de Kaiser e frequencia de corte

em 0,45 Hz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 49

29 Em azul: SMEs provenientes da piscada do olho direito contaminados

com ruıdo muscular. Em vermelho: Sinal filtrado utilizando-se filtro IIR

Butterworth de 2a ordem e frequencia de corte em 10 Hz. . . . . . . . . p. 50


com ruıdo muscular. Em vermelho: Sinal filtrado utilizando-se filtro

FIR de ordem 71 com janela Kaiser e frequencia de corte em 10 Hz. . . p. 51

31 Caracterısticas de amplitude e fase de um filtro digital notch para remocao

do ruıdo de 60 Hz proveniente da rede eletrica. . . . . . . . . . . . . . . p. 52


com ruıdo de 60 Hz da rede eletrica. Em vermelho: Sinal filtrado

utilizando-se filtro notch FIR de ordem 508 com janela Kaiser. . . . . . p. 53


com ruıdo de 60 Hz da rede eletrica. Em vermelho: Sinal filtrado

utilizando-se filtro notch IIR de 2a ordem. . . . . . . . . . . . . . . . . p. 54

34 SME proveniente da piscada do olho direito e sua respectiva variancia. p. 54

35 SME proveniente da piscada do olho esquerdo e sua respectiva variancia. p. 54

36 Resultados encontrados utilizando-se o algoritmo baseado no metodo de

Pan-Tompkins, onde y0 e o sinal normalizado; y1 e o sinal apos a aplicacao

da derivada; y2 representa a energia do sinal da derivada e y3 o sinal apos

a aplicacao, em y2, de um filtro integral de janela-movel. . . . . . . . . p. 56

37 SMEs filtrados provenientes da piscadas de olhos com picos detectados. p. 57

38 Diagrama da rede neural com 4 neuronios na camada intermediaria.

Adaptado de [3]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59

39 Camara montada em oculos de protecao compondo o sistema de rastrea-

mento do movimento do olho. . . . . . . . . . . . . . . . . . . . . . . . p. 67

40 Visao geral do sistema implementado. . . . . . . . . . . . . . . . . . . . p. 68

41 Webcam Microsoft LifeCam VX-3000 utilizada para rastreamento dos

olhos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 68

42 Interface grafica desenvolvida para rastreamento dos olhos. . . . . . . . p. 69

43 (a) Imagem original. (b) Imagem binarizada pela aplicacao do threshold. p. 70

44 (a) Imagem original. (b) Imagem binarizada pela aplicacao do detector

de bordas de Canny. . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 72

45 Exemplo de cırculo com pontos detectados sobre sua borda. . . . . . . p. 74

46 Retas tracadas a partir dos pontos escolhidos aleatoriamente sobre a

borda do cırculo e interseccao das retas perpendiculares sobre o centro

do cırculo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 74

47 Imagem da ıris obtida a partir da aplicacao do filtro Canny. Em azul:

centros calculados utilizando-se a Transformada Circular Randomica de

Hough. Em vermelho: centro obtido a partir da media dos centros cal-

culados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 76

48 Imagem da ıris com presenca de artefatos, obtida a partir da aplicacao do

filtro Canny. Em azul: centros calculados utilizando-se a Transformada

Circular Randomica de Hough. Em vermelho: centro obtido a partir

da media dos centros calculados. Nota-se claramente o deslocamento do

centro medio da ıris, causado pelo calculo errado dos centros. . . . . . . p. 77

49 Coordenadas (xc) e yc do centro da ıris com artefatos, onde e possıvel

notar a presenca de outliers. . . . . . . . . . . . . . . . . . . . . . . . . p. 77

50 Em azul: coordenadas xc e yc originais do centroide da ıris. Em vermelho:

coordenadas filtradas utilizando-se o filtro de Kalman. . . . . . . . . . . p. 78

51 (a) Imagem adquirida com iluminacao natural. (b) Imagem adquirida

com o ajuste ”Pouca Luz”ativado. (c) Imagem adquirida com iluminacao

proveniente de luminaria comum de mesa. . . . . . . . . . . . . . . . . p. 79

52 (a) Imagem original. (b) Imagem processada com centro de massa deter-

minado. (c) Imagem original onde e realizada uma piscada. (d) Imagem

processada com centro de massa deslocado pela piscada. . . . . . . . . p. 80

Lista de Tabelas

1 Relacao entre a frequencia de corte e a taxa de amostragem do CI AD7716. p. 42

2 RNAs com diferentes estruturas criadas para cada tipo de algoritmo de

treinamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59

3 Melhores resultados encontrados pelas diferentes RNAs criadas. . . . . p. 60

4 Resultados encontrados para o sistema baseado na analise de atividade

do SME da piscada de olhos. . . . . . . . . . . . . . . . . . . . . . . . . p. 61

5 Resultados encontrados para o sistema baseado redes neurais artificiais. p. 62

16

1 Introducao

As disfuncoes de origem neuromotoras constituem uma das principais causas de pro-

blemas associados a fala e a comunicacao de indivıduos com deficiencia e o ambiente

que os cerca. No entanto, normalmente estas pessoas mantem um perfeito estado de

consciencia, o que permite que algumas tecnicas sejam desenvolvidas para prove-las de

meios pelos quais possam se comunicar de maneira eficaz. Solucoes como rastreamento

do movimento dos olhos ou a utilizacao de sinais biologicos, associadas a recursos com-

putacionais especıficos, sao atualmente estudadas para que possibilitem, por exemplo,

que pessoas com deficiencia motora utilizem interfaces, tais como tabuleiros pictograficos,

para comunicacao e locomocao. Dentro deste contexto, sao utilizados os sinais mioeletricos

provenientes das piscadas de olhos e o processamento da imagem do globo ocular. No

primeiro caso, a ideia consiste em reconhecer as piscadas de olhos, representadas pelos

sinais mioeletricos adquiridos da face, para possıvel selecao dos sımbolos pictograficos

em um PDA (Personal Digital Assistant). Com o mesmo objetivo, realizou-se tambem

o processamento da imagem do globo ocular para rastreamento do movimento dos o-

lhos. Neste caso, o tipo de interface desenvolvida tem como foco principal possibilitar

a comunicacao e mobilidade de pessoas com deficiencia motora severa, que nao possuem

condicoes de utilizar a interface baseada na piscada de olhos.

Neste trabalho estao sendo consideradas pessoas com deficiencia motora severa (ou

grave), todas aquelas que apresentam um acentuado comprometimento motor nos quatro

membros, o qual afete tanto as suas possibilidades de locomocao (utilizem cadeiras de

rodas), quanto as possibilidades de interacao e manipulacao direta (sem adaptacoes) dos

objetos de seu meio, podendo esse comprometimento ser completo ou parcial.

Antes de descrever o sistema aqui implementado, e necessario introduzir alguns con-

ceitos gerais basicos nos quais o trabalho em questao esta inserido. Dentre eles estao as

Tecnologias de Apoio a Pessoas com Deficiencia. A aplicacao de tecnologias emergentes

na area das tecnologias de apoio tem originado a criacao de novos dispositivos que podem

contribuir para a melhoria significativa da qualidade de vida de pessoas com deficiencia e

1 Introducao 17

pessoas idosas. No caso das tecnologias de apoio a comunicacao, estas permitem aos seus

utilizadores, por exemplo, a transmissao de uma mensagem selecionadas ao seu interlocu-

tor. Ja como sistemas de acesso ao computador, essas tecnologias integram uma gama

de perifericos, programas especiais e sistemas de emulacao de teclados e mouse [6]. Estes

perifericos e respectivos softwares permitem a utilizacao do computador por pessoas com

disfuncao grave. Desta forma, qualquer pessoa, independentemente da sua incapacidade,

podera escrever, desenhar, comunicar ou ate mesmo se locomover.

Outro conceito importante no qual este trabalho esta inserido e o de possibilitar a

Comunicacao Aumentativa. Esta refere-se a qualquer tipo de comunicacao suplementar

ou de suporte que complemente o processo de comunicacao, ajudando uma pessoa a co-

municar e a interagir com o meio ao seu redor [6]. Existem diversos sistemas aumentativos

de comunicacao, desde gestos ou signos manuais, a quadros de comunicacao baseados em

sistemas de sımbolos graficos ate sistemas mais sofisticados baseados no uso das Tecnolo-

gias de Informacao e Comunicacao. Estes sistemas aumentativos podem servir como um

meio de comunicacao temporario ou a longo prazo, e podem ser utilizados por pessoas

afetadas por paralisia cerebral, autismo, deficiencia mental, acidentes vasculares cerebrais,

traumatismos cranio-encefalicos, doencas neurologicas progressivas, etc.

Dentro destes contextos, procurou-se desenvolver neste trabalho Interfaces Homem-

Maquina robustas capazes de possibilitar a comunicacao aumentativa e locomocao de

pessoas com deficiencia motora severa.

A estrutura da primeira interface desenvolvida, baseada em piscada de olhos, e a

forma como ela interage com o usuario e a cadeira de rodas e mostrada na Figura 1. O

sinal mioeletrico da piscada de olhos, adquirido atraves de eletrodos colocados estrategi-

camente na face, e condicionado e quantizado atraves de um conversor analogico-digital

de alta resolucao. Enviado para o computador atraves de uma porta paralela, tal sinal

e filtrado por um filtro digital passa-banda com banda de passagem entre 0,45 e 15 Hz.

Posteriormente, extraıdos as caracterısticas de interesse, neste caso as piscadas de olhos,

estas sao entregues ao classificador para detectar se a pessoa com deficiencia deseja ou

nao selecionar um sımbolo mostrado na tela do PDA. Inicialmente, utilizou-se um metodo

simples de deteccao de piscadas de olhos, a partir da variabilidade dos sinais mioeletricos

faciais [47]. Posteriormente, a deteccao e classificacao das piscadas foi feita utilizando-se

redes neurais artificiais (RNA) do tipo feedforward, treinadas com os algoritmos Bayesian

Regularization (BR), Resilient Backpropagation (RP) e Scaled Conjugate Gradient (SCG).

Estas foram capazes de detectar piscadas relativas ao olho direito (SME com pico posi-

1 Introducao 18

tivo) e ao olho esquerdo (SME com pico negativo), alem de serem capazes de distinguir

possıveis artefatos. Caso o usuario selecione um ıcone, o PDA envia um comando, atraves

da interface de comunicacao serial, para o proximo modulo, o qual e responsavel por gerar

as acoes de controle necessarias para executar a escolha do usuario, as quais podem estar

relacionadas a locomocao da cadeira ou a comunicacao com as pessoas ao redor.

No entanto, existem alguns problemas inerentes associados ao uso da interface baseada

no sinal mioeletrico das piscadas de olhos. Dentre eles, podemos destacar espasmos mus-

culares involuntarios e a propria dificuldade da pessoa com deficiencia em realizar as

piscadas de olhos.

Assim, uma alternativa para estes problemas foi desenvolver uma interface baseada

no rastreamento do movimento do globo ocular.

Figura 1: Estrutura da interface homem-maquina baseada no sinal mioeletricoproveniente da piscada de olhos.

A estrutura da segunda interface desenvolvida, baseada no rastreamento do movi-

mento dos olhos, e apresentada na Figura 2. Novamente, a forma como ela interage com o

usuario com deficiencia e como este pode se comunicar com a cadeira de rodas e mostrada.

Nesta interface, a imagem do globo ocular e capturada por uma camara montada em um

oculos de protecao e processada por um software. Neste software, e aplicado um threshold

a imagem do globo ocular com intuito de separar a ıris de outras partes da face. Porem,

1 Introducao 19

esta tecnica simples sofre interferencia da presenca da sobrancelha e dos cılios. Assim,

a partir da Transformada Randomica Circular de Hough e da aplicacao de um Filtro

Canny para deteccao de borda, e possıvel detectar a ıris e, entao, encontrar uma regiao

de interesse onde e realizado o calculo do centroide da imagem binarizada. No entanto,

devido a influencia da iluminacao no processamento de imagem, utilizou-se ainda um Fil-

tro de Kalman, com o intuito de reduzir o erro cometido durante o calculo do centroide,

aumentando assim a resolucao e precisao do sistema de rastreamento do movimento do

globo ocular. Novamente, caso o usuario da cadeira queira selecionar um ıcone no PDA,

este devera fixar os olhos na opcao desejada e apos alguns segundos pre-determinados um

sinal de selecao sera enviado ao PDA, e este, por sua vez, envia um sinal ao modulo de

controle da cadeira de rodas.

Figura 2: Estrutura da interface homem-maquina baseada no rastreamento domovimento dos olhos.

O PDA mostrado nas Figuras 1 e 2 e instalado a bordo da cadeira de rodas, de

tal forma que esteja sempre visıvel para o usuario. O PDA apresenta uma interface

grafica contendo uma tela principal com as possıveis operacoes para o operador (Figura 3),

incluindo os movimentos pre-programados da cadeira, um teclado virtual para edicao de

textos, e sımbolos para expressar algumas necessidades basicas ou sentimentos da pessoa

com deficiencia, tais como sono, sede, fome, frio, calor, etc (Figuras 4). Em todos os casos,

1 Introducao 20

e possıvel escolher uma opcao de varredura dos ıcones no PDA, dependendo do tipo de

interface homem-maquina escolhido. A varredura pode ser automatica para as interfaces

baseadas na piscada de olhos, ou cursor livre para o caso do rastreamento do movimento

dos olhos. Alem disso, o PDA conta com sinais acusticos que confirma a escolha do

usuario, promovendo assim, a realimentacao a pessoa com deficiencia, e permitindo que

este se comunique com as pessoas ao seu redor.

Figura 3: Tela principal de opcoes para o operador no PDA.

(a) Tela de Movimento. (b) Tela de edicao de Texto. (c) Tela de Estados.

Figura 4: Telas de interface presentes no PDA.

A cadeira de rodas robotica engloba alguns modulos. Comecando pelo hardware de

baixo nıvel, o sistema e composto por uma placa onde e realizado o acionamento dos

motores e o condicionamento dos sinais provenientes dos sensores instalados na cadeira

1 Introducao 21

de rodas(encoders, ultra-som, RFID, infravermelho e sensores magneticos). Para realizar

a interface entre os sinais de controle e o sistema de alto nıvel composto pelo computador,

a cadeira e equipada por um microcontrolador MSP430 da Texas Instruments, Inc..

Alem disso, outras duas placas compoem o sistema, as duas sao responsaveis pela

aquisicao e dos sinais mioeletricos. A primeira placa filtra e amplifica o sinal mioeletrico

e o envia para a segunda placa, onde e realizada a conversao analogica-digital do sinal

adquirido. Posteriormente, esta placa envia o sinal quantizado ao computador de bordo

pela porta paralela. Atraves destes sinais mioeletricos, o usuario pode comandar a cadeira,

escrever textos e expressar estados (sentimentos ou necessidades), usando o PDA como

entrada do sistema. No caso em que se utilize movimento do globo ocular como sinal

de comando, e utilizada uma camara de vıdeo para captar tais movimentos. Neste caso,

a comunicacao com a camara e realizada atraves de interface USB com o computador.

Outras opcoes de comunicacao com dispositivos de imagem, como a Fire-Wire, tambem

esta disponıvel para utilizacao e possıvel teste do sistema de rastreamento dos olhos.

A Figura 5 ilustra a estrutura geral da cadeira de rodas robotica e como estes har-

dwares estao conectados.

Figura 5: Estrutura geral da cadeira de rodas robotica.

Na Figura 6 e mostrada a cadeira de rodas robotica desenvolvida na UFES, com seus

principais componentes destacados.

1.1 Motivacao 22

Figura 6: Cadeira de rodas robotica desenvolvida na UFES e as principais partes que acompoem.

1.1 Motivacao

Nos ultimos anos, a expectativa de vida da populacao mundial tem aumentado bas-

tante. Devido a esse fato, observa-se que o numero de pessoas com algum tipo de

deficiencia tambem cresceu. No Brasil por exemplo, dados do Censo 2000 mostram que,

aproximadamente, 4,6 milhoes de pessoas, ou 14,5% da populacao total, apresentaram

algum tipo de incapacidade ou deficiencia. Sao pessoas com ao menos alguma dificuldade

de enxergar, ouvir, locomover-se ou alguma deficiencia fısica ou mental. E importante

destacar tambem que a proporcao de pessoa scom deficiencia aumenta com a idade, pas-

sando de 4,3% nas criancas ate 14 anos, para 54% do total das pessoas com idade superior

a 65 anos. A medida que a estrutura da populacao esta mais envelhecida, a proporcao de

pessoas com deficiencia aumenta, surgindo um novo elenco de demandas para atender as

necessidades especıficas deste grupo [7].

Dentro deste contexto, encontra-se em desenvolvimento uma cadeira de rodas robotica

no Laboratorio de Automacao Inteligente (LAI) do Departamento de Engenharia Eletrica

(DEL) da Universidade Federal do Espırito Santo (UFES). Esta cadeira e destinada a

pessoas com deficiencia motora severa. Quando o usuario possui uma capacidade de

manipulacao intacta, ele pode utilizar um joystick para controlar uma cadeira de rodas

motorizada comercial. Entretanto, quando a pessoa com deficiencia possui uma mobili-

dade muito reduzida ou nula, tal como e o caso de pessoas tetraplegicas, com Esclerose

Lateral Amiotrofica, tumores na Medula Espinhal, alguns tipos de Distrofia Muscular e

outros tipos de deficiencia, ela pode passar o resto de sua vida em completo estado de

1.2 Objetivos 23

isolamento, devido a dificuldade (ou impossibilidade) de comunicacao e impossibilidade

de locomocao.

O Projeto de Pesquisa em questao assume duas grandes frentes de trabalho: uma

envolvendo diretamente a cadeira de rodas, e outra responsavel por desenvolver interfaces,

baseadas em sinais biologicos (EMG, VOG e EEG), que permitam a uma pessoa com

deficiencia motora severa comandar o veıculo de forma simples e eficiente.

1.2 Objetivos

Os objetivos especıficos deste trabalho sao o estudo, simulacao, experimentacao e

avaliacao de tecnicas de reconhecimento de padroes associadas ao sinal mioeletrico da

piscada de olhos, analise de um sistema de rastreamento do movimento dos olhos, e

comunicacao das interfaces com o PDA e, consequentemente, com a cadeira de rodas

robotica.

Foram filtrados sinais mioeletricos de piscadas de olhos contaminados com artefatos

de movimento, ruıdos musculares e interferencia da rede eletrica. Analisou-se apenas

tecnicas de filtragem digital classica FIR e IIR.

Inicialmente, foi realizado o reconhecimento dos padroes do sinal mioeletrico da pis-

cada utilizando-se uma tecnica simples de analise de atividade. Posteriormente, foi im-

plementada uma rede neural artificial com topologia feedforward e treinamento backprop-

agation. O treinamento da rede neural foi realizado utilizando-se um banco de dados de

piscada gerado no LAI/UFES.

No desenvolvimento da interface de rastreamento do movimento dos olhos foram uti-

lizadas tecnicas baseadas no Filtro de Canny, binarizacao da imagem e Transformada

Circular Randomica de Hough, alem do calculo do centroide da regiao de interesse de-

terminada a partir da deteccao da ıris. Posteriormente, utilizou-se um Filtro de Kalman

para aumentar a precisao da tecnica de rastreamento utilizada.

A avaliacao destas tecnicas visa fornecer subsıdios para posterior implementacao de

ambas em software utilizando linguagem C++ e C# e, assim, possa ser utilizada para

comunicacao aumentativa e comando da cadeiras de rodas robotica por uma pessoa com

deficiencia.

1.3 Trabalhos Correlatos 24

1.3 Trabalhos Correlatos

1.3.1 Sistemas e Projetos Baseados em Sinais Mioeletricos

Infelizmente a bibliografia associada a sistemas e projetos baseados em sinais mioeletricos

(SME) provenientes de piscadas de olhos e muito escassa. Em contrapartida, trabalhos

associados a utilizacao de sinais mioeletricos provenientes de outras partes do corpo e bas-

tante extenso. Sendo assim, optou-se por destacar alguns dos principais trabalhos nesta

linha, cujas tecnicas sao semelhantes as adotadas neste trabalho.

Como base para os trabalhos atualmente desenvolvidos, e importante destacar os

trabalhos desenvolvidos em [9], [10] e [11]. No primeiro, foi possıvel determinar o inter-

valo no qual o sinal mioeletrico possui caracterısticas determinısticas, o que possibilitou

a aplicacao da maioria dos classificadores atualmente utilizados. O segundo trabalho

apresenta uma tecnica robusta de classificacao de sinais mioeletricos de membros superi-

ores, onde utilizou-se wavelets, PCAs (Principal Analysis Components) e Transformada

de Fourier. Alem disso, o trabalho em questao realizou uma comparacao precisa entre

outros classificadores como o LDA (Linear Discriminant Analysis) e o MLP (Multi-Layer

Perceptron). Ja o terceiro foi um dos primeiros trabalhos que utilizou RNAs para separar

os sinais provenientes de uma contracao muscular voluntaria de ruıdos musculares.

A partir daı surgiram trabalhos que utilizam outras tecnicas de classificacao do SME

proveniente dos membros superiores. Neste contexto, e interessante citar o trabalho de-

senvolvido por [12]. Neste trabalho, os autores utilizaram SVD (Singular Value Decom-

position) associados a RNAs para classificacao dos SMEs de membros superiores. Os

resultados encontrados neste trabalho se mostraram superiores aos trabalho desenvolvi-

dos anteriormente por [10].

E importante destacar tambem alguns trabalhos aplicados a criacao de proteses de

maos ou pernas, alem do controle de veıculos moveis. Para a criacao de proteses de maos,

podemos citar os trabalhos desenvolvidos por [13], [14], [15] e [16]. Ja para trabalhos rela-

cionados ao desenvolvimento de proteses de pernas, e interessante destacar as pesquisas

realizadas por [17] e [18]. Dentro do contexto de controle de veıculos moveis por sinais

mioeletricos, e importante citar o trabalho realizado por [19], onde utilizaram-se sinais

provenientes da piscada de olhos para controlar um robo movel Pioneer 2-DX. Apesar

de bastante eficiente, a tecnica estatıstica utilizada nao levava em consideracao os efeitos

estocasticos do SME da piscada de olhos. Outro trabalho que merece destaque nesta linha

e o realizado por [20], onde utilizaram-se sinais mioeletricos para o controle de disposi-


tivos moveis para tetraplegicos. A tecnica utilizada e bastante simples, sendo a deteccao

da atividade muscular realizada por um detector de limiar baseado no valor RMS (Root

Mean Square) do sinal mioeletrico.

E interessante tambem, citar alguns trabalhos relevantes ao estudo do sinal mioeletrico

facial. Dentro deste contexto, um dos primeiros trabalhos a estudar este tipo de sinal foi

realizado em [21], onde os pesquisadores estudaram o SME a partir do movimento da boca

durante a fala. A partir daı, outros trabalhos mais recentes, como o apresentado em [22]

e [23], fazem um estudo mais aprofundado do sinal mioeletrico facial, alem de analisar a

influencia de outros musculos faciais durante uma contracao voluntaria.

Em [24] foi realizada uma revisao de varios trabalhos relevantes a aplicacao e estudo

do eletromiograma facial. Alem disso, foram elaboradas varias recomendacoes praticas

quanto a aquisicao do SME facial.

Finalmente, e importante destacar alguns trabalhos relevantes ao estudo e aplicacao

do sinal mioeletrico proveniente de piscadas de olhos. Como mencionado anteriormente,

a bibliografia referente a aplicacao e estudo deste sinal e escassa. Porem, alguns trabalhos

merecem atencao e serviram de base teorica para o desenvolvido aqui. O primeiro deles e o

desenvolvido em [25], onde foi realizado um estudo bastante completo do SME proveniente

de piscadas de olhos. Outro trabalho relevante para o desenvolvido aqui foi o realizado

por [26], onde os autores utilizaram RNAs artificiais para classificar os SMEs provenientes

do musculo corrugador do supercılio e do musculo frontal. Neste trabalho sao utilizadas

wavelets e filtros digitais classicos para realizar o pre-processamento do SME. As RNAs

trabalhando de maneira offline apresentaram acertos que variam entre 96 e 99%, porem,

dada a complexidade dos algoritmos utilizados, novos estudos devem ser realizados para

a aplicacao deste sistema em tempo real.

1.3.2 Sistemas e Projetos de Deteccao do Movimento dos Olhos

Nesta secao sera realizado um estudo dos principais trabalhos e projetos baseados na

deteccao do movimento dos olhos ou direcao do olhar, assim como os principais sistemas

comerciais encontrados na literatura.

Existem numerosas bases de dados de fabricantes de sistemas de deteccao do movi-

mento dos olhos, porem, o estudo aqui realizado tomou como base de dados as referencias

encontradas em [27], onde sao comentados os principais sistemas existentes e suas princi-

pais caracterısticas.


A maioria dos sistemas de deteccao da posicao ocular utilizam videooculografia (VOG,

do ingles Video-Oculography) ou oculografia infravermelha (IROG, do ingles Infrared Ocu-

lography). Dentro deste contexto, vale ressaltar as pesquisas desenvolvidas pela empresa

alema “SensoMotoric Instruments (SMI)” [28]. O modelo 3D-VOG utiliza um sistema de

“cabeca livre”para detectar a posicao ocular. Este sistema permite ao usuario mover a

cabeca e falar sem cometer erros na localizacao do olho. O sistema possui resolucao de

0,05o na horizontal e vertical. Ja o modelo H.E.D (Head-Mounted Eye Tracking Device),

realiza o seguimento dos olhos atraves de uma lente colocada estrategicamente no usuario.

Ha tambem o modelo R.E.D (Remote Eye Tracking Device), onde o sistema e montado

em frente ao usuario e, portanto, evita o contato com o mesmo. Este sistema consegue

resolucao que varia entre 0,1o a 0,5o dependendo do processamento de imagens utilizado.

Na Figura 7 sao mostrados os modelos supracitados. E importante destacar tambem os

programas desenvolvidos por esta empresa, sendo de maior destaque o programa BeGaze

para rastreamento da face e dos olhos. Com este software e possıvel realizar a deteccao de

piscadas, medir a pupila, realizar a analise de varios objetos em uma imagem e exportar

os resultados para outras aplicacoes.

(a) Modelo 3D-VOG. (b) Modelo RED. (c) Modelo HED.

Figura 7: Sistemas de rastreamento (SMI).

O sistema “Express Eye” [29], desenvolvido na universidade alema University Freiburg,

e um sistema de seguimento ocular que utiliza IROG. Um emissor de raio infravermelho

e colocado proximo ao olho (cerca de 2 cm de distancia) e e utilizado uma camara CCD

para deteccao da pupila. A unidade composta pela camara pode ser ajustada nas tres

dimensoes, possibilitando um ajuste fino do sistema. A resolucao maxima obtida neste

sistema e de 0,1o, variando com seu campo de medida, que abrange ±15o na horizontal e

±8o na vertical. A Figura 8 ilustra o sistema descrito.

E interessante destacar tambem o sistema “Metrovision” [30], desenvolvido pela em-

presa francesa Metrovision. Este sistema incorpora as seguintes tecnicas de deteccao do


Figura 8: Sistema “Express Eye”.

movimento dos olhos:

• Eletrooculografia (EOG): E medido o potencial cornea-retina, atraves de eletrodos

colocados estrategicamente na face. A aquisicao e realizada em ambos os olhos

simultaneamente. Com esta tecnica, e possıvel realizar estudos eletrofisiologicos1 do

sistema visual.

• Oculografia Infravermelha (IROG): Utilizando uma camara CCD e LEDs infraver-

melhos. Este sistema e capaz de realizar exames como Pupilometria (Figura 9),

Contraste de Sensibilidade, entre outros.

• Videooculograma (VOG): Atraves de uma camara colocada em frente ao usuario,

como mostrado na Figura 10(a), e feita a aquisicao da imagem dos olhos ou da

cabeca, sendo que, neste ultimo, e utilizado um software de localizacao dos olhos.

Atraves deste sistema, denominado “Visioboard”, e possıvel acessar varios disposi-

tivos em um PC ou ate mesmo em dispositivos externos (Figura 10(b)).

O sistema “ERICA”(Eye Response Interface Computer Aid System) [31], desenvolvido

pela empresa americana ERICA Incorporated, e um sistema baseado em IROG com varias

aplicacoes, dentre elas merecem destaque o Visual Keyboard, que e uma interface de

escrita; o GazeTracker, que apresenta uma janela onde e mostrada a direcao do olhar; e

o Video-Analysis, que e um software de processamento de sinais.

1A eletrofisiologia consiste no estudo das propriedades eletricas em celulas e tecidos. Na neurocienciainclui medidas das atividades eletricas de neuronios, e particularmente da atividade do potencial de acaona conducao de estımulo nervoso que ocorre nas fibras neuro-musculares excitaveis. A transmissao deimpulsos nervosos ocorre atraves de sinapses eletricas e quımicas.


Figura 9: Sistema “Metrovison”com base no IROG.

(a) Sistema utilizado para a deteccao do movimentoocular e da cabeca.

(b) Acesso a dispositivos externos.

Figura 10: Sistemas “Metrovision”baseado em VOG.

Outros sistemas na mesma linha sao: o sistema “EyeTech”, desenvolvido pela empresa

americana EyeTech Digital Systems, baseado em tecnicas de VOG; o modelo “Vision-

Key”, desenvolvido pela empresa canadense H. K. EyeCan Ltd, baseado em IROG, que

permite acesso a varios programas para ajuda a comunicacao aumentativa de pessoas com

deficiencia; o sistema “NAC EMR-7”, desenvolvido pela empresa americana NAC Image

Technology, que tambem utiliza tecnicas baseadas em IROG; e o sistema “Eyetrace”, de-

senvolvido pela empresa sueca Iota EyeTrace System AB, que permite detectar, atraves

de tecnicas de IROG, movimentos horizontais e verticais com resolucoes de ±15o e ±10o,

respectivamente, e resolucoes de ate 0,01 [27].


Atualmente, o sistema “EagleEyes” [32], desenvolvido pelo Computer Science De-

partment, e um dos principais trabalhos para ajuda a pessoas com deficiencia. Utilizando

tecnicas baseadas em eletrooculografia o usuario simula o movimento de um mouse atraves

da combinacao de movimentos dos olhos e cabeca. Este projeto tem desenvolvido varios

softwares de entretenimento e comunicacao para pessoas com deficiencia, como mostrado

nas Figuras 11(a) e 11(b).

(a) Teclado virtual. (b) Software de entretenimento (MidasTouch Pro-gram).

Figura 11: Programas de comunicacao e entretenimento desenvolvidos para utilizacaoem conjunto com o sistema “EagleEyes”.

O sinal de EOG (Eletrooculograma) detectado movimenta o cursor do mouse, sendo

que as acoes de “click”sao geradas automaticamente a partir de um intervalo de tempo em

que o sinal de EOG permanece constante [27]. O registro do eletrooculograma e realizado

atraves de cinco eletrodos colocados estrategicamente na face.

Citados alguns dos principais projetos comerciais que envolvem o rastreamento do

movimentos dos olhos, torna-se interessante destacar tambem os principais trabalhos de

pesquisa relacionados ao tema deste trabalho. Existem varios trabalhos nesta linha de

pesquisa, sendo que, neste caso, optou-se por destacar os que mais se aproximam do

trabalho aqui proposto. Dentro deste contexto, torna-se relevante destacar o trabalho

proposto por [33], onde e proposto um algoritmo que, em conjunto com um camara CCD,

realiza um histograma da imagem do olho e aplica um threshold com o objetivo de isolar

a imagem do olho do restante da face. Feito isso, o algoritmo procura o maior cırculo na

imagem binarizada. Infelizmente, este algoritmo e, como todos os sistemas baseados em

VOG, sensıvel a iluminacao.

Com o intuito de reduzir o efeito da iluminacao em sistemas baseados em VOG,


e interessante destacar o trabalho proposto por [34], que propoe um modelo para a ıris,

obtida a partir da imagem do olho. Atraves da aplicacao de um filtro de deteccao de bordas

sao determinados os parametros morfologicos do modelo da ıris. E suposto inicialmente

que a imagem possui caracterısticas Gaussianas e, posteriormente, aplica-se um filtro

otimizado para a deteccao exata da ıris e, consequentemente, dos seus parametros. Os

resultados encontrados mostraram-se bastante satisfatorios, sendo sua gama de aplicacoes

ampliada ate o estudo de diagnosticos de doencas neurologicas.

E interessante destacar tambem o trabalho proposto por [35], cujo objetivo e de-

senvolver um sistema de rastreamento dos olhos de baixo custo. Foram utilizadas duas

camaras, sendo uma delas uma webcam comercial. Este trabalho e baseado em IROG,

sendo determinada uma regiao de interesse a partir da localizacao, atraves da Transfor-

mada Circular de Hough, da ıris. Alem disso, este trabalho apresenta um algoritmo de

calibracao, onde tenta-se transpor as coordenadas do centro da ıris detectada para uma

tela de computador.

Outro trabalho de destaque, e que se aproxima do aqui realizado, e o proposto por [36],

onde uma camara CCD, em conjunto com um espelho especial, e montada em um oculos

de protecao, como mostrado na Figura 12(a). Este espelho, denominado “hot mirror”,

tem como principais caracterısticas refletir os raios infravermelhos quando estes incidem

a um angulo de aproximadamente 45o, alem de nao atrapalhar a visao do usuario. Assim,

utilizando tecnicas de IROG e camaras montadas com 45o, e possıvel realizar o rastrea-

mento do movimento dos olhos. Apesar de apresentar resultados interessantes quando

aplicado a um sistema de deteccao do olhar, este sistema apresentou alguns problemas de

velocidade de processamento.

Por ultimo, e interessante destacar tambem trabalhos que utilizam tecnicas diferentes,

como em [37], onde primeiramente se detectam os olhos e bocas, e, posteriormente, realiza-

se o rastreamento do movimento dos olhos. Na Universidade de Cambridge, existe um

grupo de pesquisa que ha muitos anos trabalha com o rastreamento dos olhos aplicado a

realidade virtual [38].

Outra tecnica utilizada e baseada no uso de redes neurais artificiais (RNAs). A

maioria destes sistemas sao utilizados para reconhecimento da face, e nao para realizar o

rastreamento do movimento dos olhos [27]. Uma excecao e o trabalho realizado por [39],

onde utiliza-se o rastreamento dos olhos para controlar um veıculo, chamado NAVLAB

1, durante um percurso de aproximadamente 34 Km.

1.4 Organizacao da dissertacao 31

(a) Usuario utilizando o dispositivo. (b) Detalhes do dispositivo desenvolvido.

Figura 12: Dispositivo constituıdo de camara e espelho especial montados em oculos de

protecao. E possıvel notar as camaras laterais colocadas estrategicamente com relacaoao espelho especial, e ainda uma camara superior para determinar onde o usuario esta

olhando.

1.4 Organizacao da dissertacao

Na redacao desta Dissertacao foi realizada uma divisao em capıtulos, atendendo aos

principais temas contidos no desenvolvimento da mesma.

No Capıtulo 1 (Introducao), sao apresentados alguns conceitos gerais importantes

sobre as Tecnologias para Apoio a Pessoas com Deficiencia, alem da definicao dos objetivos

a serem alcancados durante o desenvolvimento deste trabalho. Sao apresentados tambem

alguns trabalhos correlatos ao desenvolvido aqui.

No Capıtulo 2, e realizado um estudo aprofundado do sinal mioeletrico proveniente

de piscadas de olhos, assim como tecnicas de filtragem e reconhecimento das mesmas.

No Capıtulo 3, e descrita a interface baseada no rastreamento do movimento dos olhos.

Sao estudadas tecnicas de processamento de imagens para deteccao da ıris e calculo do

centroide da regiao de interesse do globo ocular.

Finalmente, o Capıtulo 4 apresenta as consideracoes finais e trabalhos futuros.

32

2 O Sinal Mioeletrico da Piscadade Olhos

O sinal mioeletrico, de uma forma geral, e proveniente do potencial de acao que

percorre a fibra muscular levando-a a contracao. A primeira deducao logica de que um

musculo gera correntes eletricas foi documentada pelo italiano Francesco Redi, em 1666.

Ele suspeitou que o choque eletrico provocado por uma enguia era de origem muscu-

lar. Porem, somente 1838, Carlos Mateucci demonstrou a evidencia da atividade eletrica

durante a contracao muscular, utilizando-se dos primeiros galvanometros [3].

No entanto, apenas apos o surgimento do tubo de raios catodicos, em 1897 por Braun,

tornou-se possıvel estudar a morfologia do sinal eletrico. Herberth S. Gasser e Joseph

Erlanger foram os primeiros a apresentar as caracterısticas do sinal mioeletrico de forma

grafica, utilizando para isso um osciloscopio [3].

A partir de entao, a Eletromiografia (EMG), que e o estudo das funcoes musculares

provenientes da captura dos Sinais Mioeletricos (SME), comecou a utilizar dispositivos

para deteccao, amplificacao e apresentacao do SME de forma grafica [3]. Somente no

final da decada de 60 iniciou-se o uso de computadores para processamento do SME,

obtendo-se informacoes mais consistentes do sinal.

Atualmente, os SMEs, associados a recursos computacionais especıficos, e uma solucao

largamente estudada para controle de dispositivos utilizados na Engenharia de Reabilitacao

ou ate mesmo em robotica movel [19].

2.1 Fisiologia da Contracao Muscular

O fenomeno da contracao inicia-se com o potencial de acao disparado a partir da

fibra nervosa, comumente conhecido como neuronio motor (Figura 13). Este processo

ainda envolve a transmissao sinaptica e os potenciais de acao musculares, que somados

representam o sinal mioeletrico.

2.1 Fisiologia da Contracao Muscular 33

Figura 13: Neuronio Motor (adaptado de [1]).

Resumidamente, a fisiologia da contracao muscular ocorre de acordo com as seguintes

etapas [40]:

1. Um potencial de acao trafega ao longo de um nervo motor ate suas terminacoes nas

fibras musculares.

2. Em cada terminacao, o nervo secreta uma pequena quantidade de substancia neu-

rotransmissora, a acetilcolina.

3. Essa substancia atua sobre uma area localizada na membrana da fibra muscular,

desencadeando o potencial de acao na fibra muscular.

4. O potencial de acao cursa ao longo da membrana da fibra muscular liberando ıons

de calcio e desencadeando reacoes quımicas que resultam no processo contratil.

5. Apos uma fracao de segundo, os ıons de calcio liberados na etapa anterior sao

bombeados de volta e armazenados ate que surja novo potencial de acao; essa

remocao poe fim a contracao muscular.

Cada neuronio motor que emerge da medula espinhal inerva varias fibras musculares,

sendo 100 fibras para cada neuronio a media para o corpo humano [40]. Esse neuronio

motor, juntamente com suas juncoes musculares e fibras musculares constituem a unidade

motora, que e a menor unidade muscular controlavel (Figura 14).

O potencial de acao neural gerado pelo neuronio motor estimula todas as fibras mus-

culares produzindo, por sua vez, um potencial de acao muscular em cada uma delas.

2.1 Fisiologia da Contracao Muscular 34

Figura 14: Unidade Motora [2].

A soma algebrica destes potenciais e comumente conhecida como Potencial de Acao da

Unidade Motora (do ingles MUAP - Motor Unit Action Potencial). A Figura 15 apresenta

a formacao de um MUAP, representado por h(t), formado pela adicao dos potenciais de

acao das n fibras musculares.

Figura 15: Formacao de um MUAP [3].

Um MUAP e caracterizado por ser de curta duracao temporal, geralmente na faixa de

2 a 10 ms, com amplitudes que variam entre 100 µV e 2 mV, e larga banda de frequencia,

de 5 Hz a 10 kKz [41].

Dada a curta duracao do MUAP, para que possa ser mantida a contracao muscular

das unidades motoras, e necessaria uma sequencia de MUAPs. A essa sequencia da-se o

2.2 Caracterısticas do SME de Superfıcie 35

nome de MUAPT, ou trem de MUAPs. Quanto maior a frequencia de MUAPs nas fibras

musculares, maior a forca de contracao proporcionada por essas fibras [42].

Os MUAPs, ao percorrerem as fibras musculares, geram um campo eletromagnetico

nas redondezas das fibras. Um eletrodo, localizado dentro deste campo, e capaz de detec-

tar o potencial eletrico referente a uma contracao muscular, denominado Sinal Mioeletrico

(SME) [3].

2.2 Caracterısticas do SME de Superfıcie

Devido ao fato do sinal mioeletrico ser formado pela soma de diferentes MUAPs,

provenientes da ativacao assıncrona dos motoneuronios pela medula espinhal (Figura 16),

e pela possibilidade da participacao de mais de um musculo no movimento de contracao,

o SME e descrito como um processo estocastico [43, 44]. Porem, recentemente, alguns

trabalhos demonstraram que o SME possui caracterısticas determinısticas nos 200 ms

iniciais de contracao [9].

Figura 16: Representacao esquematica da geracao do sinal mioeletrico de um musculo, apartir do somatorio dos trens de MUAPs das n unidades motoras deste musculo [3].

O SME medido a partir de eletrodos de superfıcie apresenta uma amplitude maxima

na faixa de 100 µV a 2 mV [41], alem de componentes frequencias desde 0 ate 500 Hz [3].

2.3 Caracterısticas dos SMEs Proveniente das Piscadas dos Olhos 36

A maior concentracao de energia do sinal se encontra dentro da faixa de 50 a 150 Hz [4].

Estes valores dependem do musculo analisado, do nıvel de contracao e do posicionamento

dos eletrodos.

Um exemplo do espectro de potencia de um SME e apresentado na Figura 17.

Figura 17: Espectro de frequencia de um SME obtido do musculo braquial anteriordurante uma forca de contracao isometrica constante com 50% de forca voluntaria

maxima (adaptado de [4]).

2.3 Caracterısticas dos SMEs Proveniente das Pis-

cadas dos Olhos

No caso especıfico da contracao muscular associada as piscadas dos olhos, os sinais

capturados apresentam amplitudes na faixa de 0,1 a 10 mV, variando de acordo com a

posicao dos eletrodos e com a intensidade da forca aplicada durante a piscada (Figura 18).

Alem disso, o SME das piscadas apresenta componentes frequencias desde 0 ate cerca de

35 Hz, com energia concentrada principalmente entre 0,15 e 5 Hz. A Figura 19 ilustra o

espectro de potencia tıpico de SME proveniente da piscada dos olhos.


0 5 10 15−0.15

−0.1

−0.05

0

0.05

SM

E O

lho

Dire

ito (

mV

)

0 5 10 15−0.3

−0.25

−0.2

−0.15

−0.1

−0.05

Tempo (s)

SM

E O

lho

Esq

uerd

o (m

V)

Figura 18: Sinais tıpicos provenientes da piscada do olho direito e do olho esquerdo.

0 10 20 30 40 50 60 700

100

200

300

400

500

600

700

Frequencia (Hz)

Pot

enci

a

Figura 19: (a) SME obtido da piscada proveniente do olho direito durante uma forca decontracao voluntaria.(b) Espectro de frequencia do SME da piscada do olho direito.

Vale destacar na Figura 19 a presenca do ruıdo proveniente da rede eletrica (60 Hz).


Tal ruıdo sera estudado posteriormente nas secoes seguintes.

Os principais musculos responsaveis pelas piscadas dos olhos sao:

• Musculo Frontal: Faz parte do musculo do couro cabeludo denominado oc-

ciptofrontal e tem como funcao elevar os supercılios (olhar de surpresa) e produzir

rugas transversais quando se franze a fronte.

• Musculo Orbicular do Olho: E o esfıncter1 do olho. Estimula o fluxo da lagrima,

ajudando a esvaziar o saco lacrimal. E formado pela parte orbital, responsavel

pelo fechamento dos olhos, protegendo contra excesso de luz e poeira, e pela parte

palpebral, responsavel pelo leve fechamento da palpebra evitando o ressecamento

da cornea.

• Corrugador dos Supercılios: E o responsavel pelo movimento dos supercılios.

Na Figura 20 sao apresentados estes musculos.

Figura 20: Principal grupo de musculos responsaveis pela geracao das piscadas [5].

Posteriormente, a partir da localizacao dos musculos responsaveis pela piscada, determinou-

se a melhor posicao para a colocacao dos eletrodos de superfıcie.

2.3.1 Aquisicao das Piscadas dos Olhos

A escolha da posicao dos eletrodos, juntamente com o sistema de aquisicao definem

os aspectos mais importantes na aquisicao do SME provenientes de piscadas de olhos. A

1Esfıncter e uma estrutura, geralmente um musculo de fibras circulares concentricas dispostas emforma de anel, que controla o grau de amplitude de um determinado orifıcio.


fidelidade do SME detectado influencia todo o tratamento subsequente do sinal. Dentro

deste contexto, algumas caracterısticas importantes devem ser levadas em consideracao.

O SME pode ser obtido com configuracoes monopolar ou bipolar. Na monopolar sao

utilizados dois eletrodos, sendo um utilizado como referencia. Na configuracao bipolar

sao utilizados dois eletrodos montados de forma diferencial em relacao a uma referencia.

Para ambas as configuracoes normalmente utilizam-se eletrodos confeccionados com prata

revestida com cloreto de prata (Ag-AgCl), pois e um metal nobre nao-polarizavel, evitando

a inducao de um nıvel CC nos eletrodos de deteccao [3].

Especificamente neste trabalho, utilizaram-se eletrodos de superfıcie passivos e cabos

de conexao de alta impedancia (≥ 40 MΩ), mostrados na Figura 21, para a obtencao do

SME da piscada. Os eletrodos consistem em discos de Ag-AgCl, que devem ser posiciona-

dos acima da pele. Para a obtencao de melhores resultados, pode-se remover a camada

superficial da pele, utilizando-se alcool 70%, e deve-se aguardar cerca de 10 minutos, a

fim de que a impedancia de contato entre o eletrodo e a pele diminua e estabilize. Como

os eletrodos sao localizados na face, em locais onde nao ha pelos, nao e necessario realizar

a raspagem dos mesmos (tricotomia).

Figura 21: (a) Eletrodos passivos de Ag-AgCl utilizados para aquisicao do SME dapiscada dos olhos. (b) Cabo para a conexao dos eletrodos ao sistema de aquisicao.

A captura da piscada dos olhos e feita de forma diferencial, utilizando-se eletrodos de

superfıcie posicionados estrategicamente na face (Figura 22). A influencia da localizacao

dos eletrodos na amplitude e frequencia do SME da piscada pode ser vista na Figura 23.

Com base nas informacoes de amplitude e frequencia do SME da piscada apresentada

na Figura 23, a localizacao ideal para a colocacao dos eletrodos e entre o musculo frontal


Figura 22: Representacao de um amplificador diferencial captando o SME da piscadados olhos. O sinal e representado por mi e o ruıdo por n.

Figura 23: Espectro de frequencia do SME da piscada de olhos afetado pela localizacaodos eletrodos.

e o musculo orbicular, logo acima do corrugador do supercılio. Nesta localizacao, o SME

da piscada apresenta maior amplitude.

O sistema de aquisicao utilizado para a captura do SME proveniente das piscadas dos

olhos e composto por dois blocos: um analogico e outro digital. Tambem fazem parte

do sistema a fonte de alimentacao, os cabos de conexao e duas baterias de chumbo-acido

seladas de 12 V / 7 Ah.


2.3.1.1 Bloco Analogico

Nesta etapa do sistema de aquisicao, apresentado na Figura 24, encontra-se a fonte

de alimentacao de +5 / -5 V de baixo ruıdo, uma etapa de amplificacao e uma etapa de

filtragem.

A fonte de alimentacao e composta por reguladores de tensao de precisao UA723,

da Texas Instruments, e tem como principal caracterıstica diminuir o ruıdo de 60 Hz

proveniente da rede eletrica.

A etapa de amplificacao do sinal e feita por amplificadores de precisao INA118, da

Burr-Brown, recomendado para aplicacoes biomedicas. Este tem como principais carac-

terısticas baixa tensao de offset (50 µV maximo) e baixo ruıdo (0,28 µVp-p) [45].

Ja a filtragem e realizada por dois filtros Butterworth de 4a ordem passa-altas, um

para cada sinal do olho. A frequencia de corte destes e de 0,1 Hz, e tem como objetivo

reduzir o ruıdo na linha de base do sinal adquirido, sem interferir na faixa de frequencia

do sinal onde se concentra a maior quantidade de energia.

Figura 24: Placa analogica responsavel pelo acondicionamento do SME da piscada doolho. Em destaque, os principais componentes que compoem a placa.


2.3.1.2 Bloco Digital

Esta etapa, caracterizada na Figura 25, realiza a conversao Analogico-Digital (A/D)

do sinal proveniente do bloco analogico, uma filtragem do sinal utilizando um filtro passa-

baixas, para, em seguida, discretiza-lo, enviando-o pela porta paralela do computador. A

placa possui quatro canais de entrada para os sinais adquiridos, com um buffer especıfico

para cada um dos canais [45].

Toda a etapa digital e baseada no circuito integrado (CI) da Analog Devices AD7716,

que tem como principais caracterısticas quatro conversores A/D de 22-bit, alem de um

filtro passa-baixas com frequencia de corte programavel e resposta em fase linear [46].

Alem disso, a frequencia de amostragem do dispositivo e funcao da frequencia de corte

escolhida, como mostrado na Tabela 1.

Figura 25: Placa responsavel pela conversao A/D do SME proveniente da piscada doolho. Em destaque, os principais componentes que compoe a placa.

Tabela 1: Relacao entre a frequencia de corte e a taxa de amostragem do CI AD7716.Frequencia de Corte (Hz) Taxa de Amostragem (Hz)

36,5 14073 279146 558292 1116584 2232

2.4 Filtragem dos SMEs de Piscadas 43

2.4 Filtragem dos SMEs de Piscadas

A maioria dos sinais biologicos possuem baixa amplitude e sao acompanhados de

outros sinais de varias origens. Qualquer sinal diferente do sinal de interesse pode ser

caracterizado como interferencia, artefato ou simplesmente ruıdo [47]. As fontes de ruıdos

podem ser fisiologicas, do instrumento utilizado, ou do ambiente onde se realiza a aquisicao

do sinal. Assim, e importante conhecer as caracterısticas do sinal de interesse e dos sinais

que deverao ser rejeitados. Nas secoes anteriores caracterizou-se o SME proveniente das

piscadas dos olhos, assim como sua aquisicao. Nesta secao serao apresentados alguns

ruıdos caracterısticos do SME de piscadas de olhos, alem de possıveis solucoes para a

melhora do mesmo.

2.4.1 Fontes de Ruıdos e Interferencia

As principais fontes de ruıdos que interferem na aquisicao do SME da piscada sao

provenientes da inducao magnetica da rede eletrica, artefatos de movimento (potencial

eletrodo-pele, movimento dos equipamento e dos cabos) e ruıdo muscular (aquisicao de

SME de musculos vizinhos), alem da interferencia causada pelo movimento do globo

ocular.

2.4.1.1 Interferencia da rede eletrica

Os ruıdos provenientes da rede eletrica sao responsaveis pelo maior dano causado

ao sinal mioeletrico da piscada, pois esta presente em todo o cotidiano da maioria da

populacao, alem de possuir amplitude de energia razoavel se comparado as amplitudes de

energia do SME das piscadas, como pode ser visto na Figura 19.

Varias tecnicas podem ser utilizadas para atenuar a interferencia da rede eletrica na

captacao dos sinais biologicos, como por exemplo, trancar fios, coletar dados em ambientes

adequados e adotar uma parte do corpo do paciente como terra [3]. Porem, estas tecnicas

nao eliminam completamente a presenca do ruıdo da rede eletrica.

Dentro deste contexto, filtros especiais podem ser utilizados para melhor filtragem do

sinal, tal como o filtro notch. Apesar do ruıdo de 60 Hz nao estar dentro da faixa de maior

energia do SME da piscada do olho, o filtro deve possuir uma banda de corte estreita para

nao afetar o sinal mioeletrico da piscada.


2.4.1.2 Artefatos de Movimento

Artefatos de movimentos sao mudancas transitorias na linha de base do SME causadas

por mudancas na interface eletrodo-pele devido ao movimento dos cabos e eletrodos de

captacao, resultante de movimentacao do paciente ou de vibracao do equipamento [48].

A interferencia proveniente dos artefatos e de baixa frequencia e, neste caso, um

filtro de alta frequencia pode ser utilizado. De acordo com as caracterısticas do SME da

piscada do olhos, apresentada na Figura 19, e recomendado o uso de um filtro passa-alta

com frequencia de corte de 0,15 Hz. Deste modo, pode-se atenuar a influencia destes

ruıdos e melhorar a linha de base do SME proveniente das piscadas dos olhos.

2.4.1.3 Ruıdos Musculares

Os ruıdos musculares sao provenientes principalmente da interferencia causada pela

aquisicao de SME de musculos vizinhos ao musculo onde e captado o sinal da piscada.

Esta interferencia tem como principal caracterıstica alta frequencia, e, portanto, a

melhor solucao e utilizar filtros passa-baixas. Como o SME de piscadas apresenta compo-

nentes entre 0 e 35 Hz, pode-se utilizar filtros passa-baixas com frequencia de corte nesta

faixa. Outra opcao e a utilizacao de filtros media-movel para a suavizacao do sinal.

2.4.1.4 Movimento dos Olhos

O potencial gerado pelo movimento do globo ocular ou eletrooculograma (EOG)

tambem pode ser caracterizado como uma fonte de interferencia bastante danosa para

o SME proveniente das piscadas.

A amplitude do sinal de EOG esta na faixa de 0,05 a 3,5 mV em humanos e e lin-

earmente proporcional ao movimento dos olhos [49]. Desta forma, o potencial gerado

pelo movimento dos olhos possui amplitude de tensao muito proxima ou superior ao da

amplitude do SME da piscada dos olhos. Este tipo de problema requer um sistema de

classificacao bastante robusto, capaz de distinguir uma piscada de um movimento do globo

ocular, uma vez que nao e possıvel eliminar esse tipo de interferencia utilizando-se filtros,

sem que se prejudique o sinal mioeletrico da piscada.


2.4.2 Tecnicas de Filtragem Aplicadas ao SME da Piscada

E de extrema importancia para um sistema que reconheca o SME da piscada que o

sinal nao possua suas caracterısticas alteradas por ruıdos. Sendo assim, conhecendo-se os

principais ruıdos caracterısticos da aquisicao do SME proveniente das piscadas, e possıvel

aplicar tecnicas de filtragem para atenuar estes ruıdos sem que se altere as caracterısticas

do sinal.

Filtragem e o processo pelo qual o espectro de frequencia de um determinado sinal

pode ser manipulado de acordo com alguma especificacao desejada. Dentro deste contexto,

a filtragem e utilizada para eliminar ruıdos, distorcoes ou imperfeicoes nas medidas. Es-

pecificamente, a filtragem digital e um sistema digital que pode ser usado para filtrar

sinais discretos. Este pode ser implementado utilizando-se software, hardware dedicado

ou a combinacao de ambos. Atraves da transformada z, um filtro digital pode ser ca-

racterizado por sua funcao de transferencia discreta, comumente representada por H(z )),

onde z e uma variavel complexa (z = reωj), com argumento r, angulo ω e j e referente a

base imaginaria [50, 3].

Neste trabalho utilizaram-se apenas tecnicas de filtragem digital classica para a remocao

dos ruıdos, sendo essas aplicadas em sinais com ruıdos da rede eletrica, contaminados com

artefatos de movimento e ruıdos musculares.

Foram obtidos sinais provenientes da piscada do olho esquerdo e do olho direito de

seis voluntarios diferentes, utilizando o sistema de aquisicao desenvolvido. Os eletrodos

foram localizados entre o musculo frontal da face e o musculo corrugador do supercılio.

Alguns dos sinais obtidos apresentaram ruıdos provenientes da rede eletrica e de artefatos

de movimento, alem de ruıdos musculares, sendo, em todos os casos, avaliadas as tecnicas

de filtragem digital classica.

2.4.2.1 Filtragem Digital Classica

A filtragem digital classica pode ser realizada de duas maneiras, com filtros de resposta

infinita (cuja sigla em ingles e IIR - Infinite Impulse Response) ou com filtros de resposta

finita (com a sigla em ingles FIR - Finite Impulse Response) [3].

Os filtros IIR retiram sua metodologia dos metodos classicos de filtros analogicos, com

adequada transposicao para o caso discreto. A implementacao destes utiliza a equacao

de diferencas. Assim, para projetar um filtro IIR o procedimento mais corrente consiste

em definir o tipo de resposta que o filtro deve apresentar, como por exemplo, Buterworth,


Chebyshev e Elıpticos. Em um segundo passo, e necessario transpor a funcao de trans-

ferencia contınua deste filtro em uma funcao de transferencia discreta. Normalmente,

utilizam-se dois metodos para realizar esta transposicao: o metodo da transformada

impulsiva invariante e o metodo da transformacao bilinear. A funcao de transferencia

discreta de um filtro IIR e dada por

H(z) =

∑Mk=0 bk · z−k

1 +∑N

k=1 ak · z−k. (2.1)

Sendo (N≥M ). Onde, N e o numero de polos do filtro e, portanto, sua ordem, M o

numero de zeros, ak e bk os respectivos coeficientes e z−k um operador de atraso de k

amostras.

Nota-se na equacao 2.1 que os filtros IIR sao realimentados pelos valores da saıda,

sendo assim, conhecidos tambem como filtros recursivos.

Em geral, filtros IIR sao capazes de aproximar uma resposta na frequencia prescrita

com um numero de multiplicacoes menor que os filtros FIR. Por esse motivo, filtros

IIR podem ser mais adequados a algumas aplicacoes praticas, especialmente aquelas en-

volvendo processamento de sinais em tempo real [51]. Porem, tais filtros possuem fase

nao-linear. Quando o processamento e realizado de forma ”off-line”, e possıvel retirar

essa nao-linearidade realizando-se o processo de filtragem forward and reverse, que filtra

o sinal duas vezes, uma para frente gerando distorcao de fase, e outra para tras gerando

a mesma distorcao com sentido contrario, fazendo com que o filtro tenha fase zero [52].

Os filtros digitais FIR apresentam algumas vantagens em relacao aos filtros IIR, tais

como a possibilidade de terem fase linear exata e o fato de serem intrinsecamente estaveis,

uma vez que sao realizados de forma nao-recursiva. Alem disso, a complexidade computa-

cional dos filtros FIR pode ser reduzida se eles sao implementados atraves de algoritmos

numericos rapidos, tais como a transformada rapida de Fourier [51]. A equacao 2.2 apre-

senta a funcao de transferencia digital do filtro FIR.

H(z) =M−1∑

k=0

bk · z−k (2.2)

Sendo M-1 a ordem do filtro e bk seus respectivos coeficientes.


2.4.2.2 Filtragem dos Artefatos de Movimento

Como descrito anteriormente, os ruıdos provenientes dos artefatos de movimento pos-

suem baixa frequencia. Sendo assim, optou-se por utilizar filtros passa-alta com frequencia

de corte em 0,15 Hz.

Para avaliar esta tecnica, utilizou-se um filtro passa-altas FIR com janela de Kaiser e

um filtro passa-altas IIR Butterworth.

A Figura 26 apresenta sinais de piscadas contaminados com ruıdos provenientes de

artefatos de movimento, e os mesmos filtrados utilizando-se um filtro passa-altas IIR

Butterworth de ordem 2 com frequencia de corte de 0,15 Hz. Nota-se que o sinal original

apresenta um maior deslocamento em relacao a linha de base.

0 1 2 3 4 5 6 7 8 9−0.2

−0.15

−0.1

−0.05

0

0.05

0.1

0.15

Tempo (s)

Am

plitu

de (

mV

)

SME OriginalSME Filtrado

Linha de Base

Figura 26: SMEs provenientes da piscada do olho direito contaminados com ruıdo deartefato de movimento, e o mesmo, logo apos a aplicacao de um filtro passa-altas IIR

Butterworth de ordem 2 e frequencia de corte 0,15 Hz.

O filtro FIR utilizado para comparacao foi de ordem 2048 e frequencia de corte em

0,15 Hz com janela de Kaiser. A resposta para este filtro aplicado ao sinal ruidoso e

apresentada na Figura 27.

Nota-se na Figura 27 um atraso referente a aplicacao da janela de Kaiser. Isso

ocorre devido a elevada ordem do filtro, sendo que, posteriormente, optou-se por alterar


0 5 10 15−0.2

−0.15

−0.1

−0.05

0

0.05

0.1

0.15

Tempo (s)

Am

plitu

de (

mV

)


Linha de Base

Figura 27: SMEs provenientes da piscada do olho direito contaminados com ruıdo deartefato de movimento, e o mesmo, logo apos a aplicacao de um filtro passa-altas FIR de

ordem 2048 com janela de Kaiser e frequencia de corte em 0,15 Hz.

a frequencia de corte para 0,45 Hz, o que automaticamente reduz a ordem do filtro FIR

e consequentemente a janela de atraso, sem que haja distorcao do sinal, como mostrado

na Figura 28.

Filtros passa-altas com frequencias de corte superiores a 0,45 Hz podem distorcer o

tracado do SME proveniente das piscadas, uma vez que a energia do mesmo esta concen-

trada na faixa de 0,15 a 5 Hz.

2.4.2.3 Filtragem do Ruıdo Muscular

Como estes ruıdo se concentram em uma faixa superior a 35 Hz, optou-se por utilizar

filtros passa-baixas com frequencia de corte em 10 Hz, uma vez que o SME concentra sua

energia entre 0,15 e 5 Hz. Utilizou-se novamente a filtragem digital IIR e FIR.

A Figura 29 apresenta SMEs provenientes da piscada do olho direito, contaminados

com ruıdos musculares, e seu respectivo sinal filtrado, utilizando-se um filtro IIR Butter-

worth de 2a ordem e frequencia de corte em 10 Hz.

Na Figura 30 e apresentado o SME tambem da piscada do olho direito e a resposta


0 1 2 3 4 5 6 7 8 9−0.2

−0.15

−0.1

−0.05

0

0.05

0.1

0.15

Tempo (s)

Am

plitu

de (

mV

)


Linha de Base

Figura 28: SMEs provenientes da piscada do olho direito contaminados com ruıdo deartefato de movimento, e o mesmo, logo apos a aplicacao de um filtro passa-altas FIR de

ordem 696 com janela de Kaiser e frequencia de corte em 0,45 Hz.

do filtro FIR de ordem 71 com janela Kaiser.

2.4.2.4 Filtragem dos Ruıdos da Rede Eletrica

Como a interferencia da rede e suas harmonicas tem frequencias bem definidas, entao

a filtragem deste sinal e realizada por meio de filtros Notch [3], cujas caracterısticas

sao apresentadas na Figura 31. Novamente, a filtragem foi realizada utilizando-se filtros

digitais FIR e IIR.

A Figura 32 apresenta sinais de piscadas do olho direito contaminados com ruıdos da

rede eletrica, e os respectivos sinais filtrados utilizando-se um filtro notch FIR de ordem

508 com janela de Kaiser.

Foi avaliado tambem o desempenho de um filtro notch IIR de 2a ordem com frequencia

de corte em 60 Hz. A Figura 33 apresenta a resposta deste filtro quando e aplicado em

sua entrada SMEs contaminados com ruıdos da rede eletrica.

2.5 Deteccao e Identificacao das Piscadas de Olhos 50

0 5 10 15−0.18

−0.16

−0.14

−0.12

−0.1

−0.08

−0.06

−0.04

−0.02

Tempo (s)

Am

plitu

de (

mV

)


Figura 29: Em azul: SMEs provenientes da piscada do olho direito contaminados comruıdo muscular. Em vermelho: Sinal filtrado utilizando-se filtro IIR Butterworth de 2a

ordem e frequencia de corte em 10 Hz.

2.5 Deteccao e Identificacao das Piscadas de Olhos

Na literatura existem varias tecnicas de reconhecimento de padroes associados ao

SME, seja utilizando metodos estatıscos para deteccao da piscadas de olhos [45] ou sis-

temas baseados em redes neurais artificiais (RNA) para detectar a intencao de movimento

de membros amputados [9, 13]. Em [10] os autores obtiveram caracterısticas das transfor-

madas Wavelet e Fourier do intervalo determinıstico do SME e as aplicaram em uma rede

neural similar a utilizada por [9]. Utilizaram tambem um classificador estatıstico LDA

(Linear Discriminant Analysis).

Alem das tecnicas citadas, tambem foi possıvel realizar o reconhecimento de padroes

do SME utilizando-se logica Fuzzy [53].

O presente trabalho explora dois metodos de deteccao e distincao automatica de

piscadas de olhos: analise de atividade e redes neurais artificiais. No primeiro metodo,

baseado na variancia do SME da piscada, nao e possıvel realizar a distincao entre as

piscadas provenientes do olho esquerdo e o olho direito. Ja no segundo metodo, a RNA,

com treinamento backpropagation, e capaz de distinguir entre piscada com o olho esquerdo


0 5 10 15−0.18

−0.16

−0.14

−0.12

−0.1

−0.08

−0.06

−0.04

−0.02

0

0.02

Tempo (s)

Am

plitu

de (

mV

)


Figura 30: Em azul: SMEs provenientes da piscada do olho direito contaminados comruıdo muscular. Em vermelho: Sinal filtrado utilizando-se filtro FIR de ordem 71 com

janela Kaiser e frequencia de corte em 10 Hz.

e com o olho direito, alem de detectar possıveis ruıdos.

Ambos os metodos serao melhor detalhados nas secoes seguintes.

2.5.1 Analise de Atividade

Os SMEs provenientes da piscada de olhos podem, de modo geral, ser tratados como

variaveis aleatorias [47]. Dentro deste contexto, a variancia σ2x, dada por

σ2x = E[(x− µx)

2] =1

N

N−1∑

k=0

(x(k)− µx)2, (2.3)

pode representar uma medida regular da variabilidade ou atividade do sinal sobre sua

media, onde x representa o sinal analisado, σx o desvio padrao, µx a media e N o tamanho

do sinal ou da janela utilizada para o calculo da variancia.

Caso o sinal possua media zero, ou e pre-processado para que isto aconteca, a equacao 2.3

torna-se


0 10 20 30 40 50 60 70−80

−60

−40

−20

0

Mag

nitu

de (

dB)

Frequencia (Hz)

0 10 20 30 40 50 60 70−100

−50

0

50

100

Fas

e (G

raus

)

Frequencia (Hz)

Figura 31: Caracterısticas de amplitude e fase de um filtro digital notch para remocaodo ruıdo de 60 Hz proveniente da rede eletrica.

σ2x = E[x2] =

1

N

N−1∑

k=0

x2(k), (2.4)

ou seja, a variancia e igual a potencia media do sinal.

Assim, a variancia do SME proveniente da piscada pode ser utilizado como um indi-

cador simples de atividade do sinal sobre sua media e, utilizando-se um limiar, ajustado

empiricamente, e possıvel entao detectar quando uma piscada de olho foi realizada.

No entanto, este metodo nao possibilita a distincao da piscada do olho esquerdo

com a da olho direito, como mostram as Figuras 34 e 35, sendo necessario um metodo

mais robusto para tal feito. Dentro deste contexto, utilizaram-se redes neurais artificiais,

explicado em detalhes na secao seguinte.

2.5.2 Redes Neurais Artificiais

A identificacao e deteccao da piscada de olhos, assim como outros SMEs provenientes

de diferentes partes do corpo, requer que se leve dois fatores importantes em consideracao:

a provavel localizacao dos eletrodos cada vez que o paciente se conectar ao equipamento

e a grande variacao nas caracterısticas do sinal capturado entre indivıduos diferentes [3].


0 1 2 3 4 5 6 7 8 9

−0.5

−0.4

−0.3

−0.2

−0.1

0

0.1

0.2

0.3

0.4

0.5

Tempo (s)

Am

plitu

de (

mV

)


Figura 32: Em azul: SMEs provenientes da piscada do olho direito contaminados comruıdo de 60 Hz da rede eletrica. Em vermelho: Sinal filtrado utilizando-se filtro notch

FIR de ordem 508 com janela Kaiser.

Dentro deste contexto, torna-se interessante o uso de redes neurais artificiais para o reco-

nhecimento de piscadas de olhos, uma vez que e possıvel fazer com que a RNA distingua

cada tipo de sinal.

Antes de ser implementado em linguagem C++, utilizou-se o software MATLAB R©para implementacao, treinamento e teste das RNAs. Posteriormente, foram escolhidas

as melhores estruturas neurais e utilizadas na implementacao do sistema de identificacao

automatica de piscadas de olhos.

Todos os sinais mioeletricos da piscada de olhos que constituem o banco de dados

foram obtidos no LAI/UFES, utilizando-se o sistema de aquisicao descrito na secao 3.3.1

e as tecnicas de filtragem descritas na secao 3.4.2.

Utilizaram-se sinais de piscadas de olhos capturados de voluntarios selecionados aleato-

riamente. Foram adquiridas aproximadamente 210 piscadas do olho direito e 210 do olho

esquerdo, de indivıduos do sexo masculino com idade entre 20 e 30 anos, sendo que a

aquisicao foi feita com taxa de 140 Hz. Alem disso, foram geradas 210 amostras de ruıdos

aleatorios Gaussianos, com media zero e variancia de 0,1, totalizando 630 sinais utilizados

exclusivamente para o treinamento das redes neurais.


0 1 2 3 4 5 6 7 8 9−0.8

−0.6

−0.4

−0.2

0

0.2

0.4

0.6

Tempo (s)

Am

plitu

de (

mV

)


Figura 33: Em azul: SMEs provenientes da piscada do olho direito contaminados comruıdo de 60 Hz da rede eletrica. Em vermelho: Sinal filtrado utilizando-se filtro notch

IIR de 2a ordem.

0 1 2 3 4 5 6 7 8 9−0.15

−0.1

−0.05

0

0.05

SM

E O

lho

Dire

ito (

mV

)

0 1 2 3 4 5 6 7 8 90

0.5

1

1.5

2x 10

−3

Tempo (s)

Var

ianc

ia

Figura 34: SME proveniente da piscada doolho direito e sua respectiva variancia.

0 1 2 3 4 5 6 7 8 9−0.3

−0.25

−0.2

−0.15

−0.1

−0.05

SM

E O

lho

Esq

uerd

o (m

V)

0 1 2 3 4 5 6 7 8 90

1

2

3

4

5x 10

−3

Tempo (s)

Var

ianc

ia

Figura 35: SME proveniente da piscada doolho esquerdo e sua respectiva variancia.

Posteriormente, foram utilizadas outras amostras de piscadas para testar o sistema de

Reconhecimento Automatico de Piscadas (RAP), formado pelas RNAs treinadas com os

sinais supracitados. Neste caso, foram utilizados os sinais correspondentes a 84 piscadas

do olho direito, 84 piscadas do olho esquerdo, alem de 84 ruıdos Gaussianos (media zero

e variancia 0,1), nao utilizados na etapa de treinamento e validacao.


Inicialmente, o SME das piscadas deve ser filtrado e normalizado para melhor obtencao

dos SMEs de piscadas que irao compor o banco de dados utilizados para implementacao

das RNAs.

Os sinais foram filtrados utilizando-se um filtro digital IIR passa-altas (Butterworth,

2a ordem, frequencia de corte em 0,15 Hz), para a remocao do ruıdo da linha de base e,

posteriormente, foi utilizado um filtro digital IIR passa-baixas (Butterworth de 2a ordem,

com frequencia de corte em 10 Hz), para a remocao do ruıdo muscular.

Apos a etapa de filtragem faz-se a normalizacao dos SMEs segundo a equacao

y0(n) =y(n)

max|y(n)| , (2.5)

onde y(n) representa o sinal amostrado de entrada.

Posteriormente, utiliza-se um algoritmo baseado no metodo de Pan-Tompkins [47]

para facilitar a deteccao do intervalo das piscadas de olhos. Este algoritmo inclui uma

serie de metodos que realizam a derivada, quadratura e integral do sinal. A operacao de

derivada aqui utilizada e

y1(n) =1

8[2y0(n)− y0(n− 1)− y0(n− 3) + 2y0(n− 4)]. (2.6)

A operacao de se elevar ao quadrado a derivada torna o resultado positivo, associando-

o a energia do sinal, e enfatiza grandes diferencas no sinal de piscadas, enquanto sinais

de pequena amplitude presentes no SME filtrado sao suprimidos. Em outras palavras,

calcula-se

y2(n) = [y1(n)]2. (2.7)

O algoritmo aqui implementado ainda realiza uma suavizacao do sinal, utilizando um

filtro integral de janela-movel , ou seja, calcula-se

y3(n) =1

N[y2(n− (N − 1)) + y2(n− (N − 2)) + · · ·+ y2(n)]. (2.8)

A escolha do tamanho da janela (N ) e feita considerando-se que caso o valor seja

elevado ira ocorrer uma provavel uniao de piscadas que estejam muito proximas e que

caso ele seja muito pequeno a piscada ainda podera apresentar varios picos. Uma janela


de tamanho N = 10 foi escolhida empiricamente, e mostrou-se satisfatoria. A Figura 36

ilustra todas as etapas descritas.

0 5 10 15−2

0

2

SM

E O

rigin

al(m

V)

0 5 10 15−1

0

1

y 0

0 5 10 15−0.5

0

0.5

y 1

0 5 10 150

0.05

0.1

y 2

0 5 10 150

0.5

1

Tempo (s)

y 3

Figura 36: Resultados encontrados utilizando-se o algoritmo baseado no metodo dePan-Tompkins, onde y0 e o sinal normalizado; y1 e o sinal apos a aplicacao da derivada;y2 representa a energia do sinal da derivada e y3 o sinal apos a aplicacao, em y2, de um

filtro integral de janela-movel.

Nota-se no sinal resultante do processo de filtragem (y3), ilustrado na Figura 36, que

e entao possıvel aplicar tecnicas para localizacao e, posteriormente, obtencao do SME da

piscada de olhos. Este processo sera melhor detalhado nas subsecoes seguintes.

2.5.2.1 Deteccao do Pico da Piscada

Para a marcacao do pico da piscada foi desenvolvido um algoritmo que busca o ponto

maximo e sua respectiva posicao no vetor de amostras de SME pre-processado. Determi-

nado este maximo, o algoritmo zera os dados proximos ao ponto encontrado, evitando, na

proxima marcacao, encontrar um ponto de descida da onda referente a piscada, ao inves

de seu topo. A busca prossegue ate que um limiar seja ultrapassado, ou seja, esse processo

e realizado ate que o SME da piscada de olhos possua somente picos cujos valores estao

abaixo da faixa delimitada. Testes mostraram que um valor de 0,35 (ou seja, 35% do

valor maximo) torna o algoritmo eficiente.


Apesar de eficiente, alguns cuidados devem ser tomados com o algoritmo. O principal

deles e o tamanho da regiao que devera ser zerada apos a determinacao do pico da piscada.

Usando uma regiao de busca muito pequena, pode-se marcar a subida da onda referente

a piscada. Usando uma regiao muito grande, pode-se zerar um possıvel pico proximo ao

pico marcado. O valor apropriado para essa regiao de busca deve ser aproximadamente a

duracao de uma piscada. Baseando-se nisso, optou-se por usar uma regiao de 60 amostras,

ou seja, zerar 30 amostras depois e 30 amostras antes do ponto marcado como pico da

piscada, o que se mostrou eficiente, como ilustrado na Figura 37.

0 5 10 15−0.4

−0.2

0

0.2

0.4

0.6

0.8

1

1.2

Tempo (s)

Am

plitu

de N

orm

aliz

ada

Figura 37: SMEs filtrados provenientes da piscadas de olhos com picos detectados.

2.5.2.2 Deteccao do Intervalo de Duracao da Piscada

Apos a marcacao dos picos e necessario determinar os respectivos intervalos de duracao

da piscada. Dentro deste contexto implementou-se uma rotina que procura, a esquerda

e a direita da posicao do pico, um ponto η acima de um determinado limiar (δ), obtido

a partir do valor RMS (Root Mean-Square) da variancia de uma janela de tamanho (N)

do sinal pre-processado da piscada. Caso este ponto η ultrapasse o limiar δ, este e consi-

derado como o inıcio de uma piscada de olho. Quando o limiar e ultrapassado novamente

este sera considerado como o fim da piscada. Os valores de η e N foram determinados

empiricamente, sendo η = 20 µV e N = 28 amostras.


Apos a etapa do processamento do SME, e suposto que o mesmo apresente apenas o

que e relevante para o reconhecimento de padroes. Porem, o novo vetor de dados gerado

contem muitos elementos, sendo, portanto, inviavel criar uma estrutura neural com esta

quantidade de entradas. Neste contexto, foi realizada uma sub-amostragem do intervalo

de duracao da piscada, representando os muitos elementos do vetor de dados do SME

da piscada em algumas unidades, ou dezenas, pre-determinadas. Neste trabalho optou-se

por fazer uma sub-amostragem para 40 amostras do intervalo da piscada detectado.

Apos a realizacao da sub-amostragem do sinal correspondente a cada intervalo de uma

piscada, estes foram normalizados na faixa de -1 e 1 utilizando-se um funcao de ativacao

sigmoide (equacao 2.9), com o objetivo de proporcionar uma convergencia mais rapida na

etapa de treinamento das RNAs.

f(x) =1

1 + e−x− 1 (2.9)

Com isso, a camada de entrada da rede estara definida. Na camada oculta, o numero

de neuronios foi pre-estabelecido em 4, 6, 8 ou 10, com o objetivo de se determinar a melhor

escolha. Redes neurais com o numero de neuronios na camada oculta superior ou inferior

ao utilizado aqui nao apresentaram melhoria nas respostas das mesmas. A camada de

saıda apresenta tres neuronios, sendo

1

−1

−1

referente a piscada do olho direito,

−1

1

−1

referente a piscada do olho esquerdo e

−1

−1

1

correspondente a um ruıdo. Qualquer

outra combinacao diferente apresentada na saıda da RNA e considerada tambem como

um ruıdo.

Na Figura 38 e apresentada uma estrutura neural utilizada com 4 neuronios na camada

intermediaria.

Para a etapa de treinamento da rede neural foram utilizados os algoritmos Bayesian

Regularization (BR), Resilient Backpropagation (RP) e Scaled Con-jugate Gradient (SCG)

[54]. E difıcil determinar qual algoritmo de treinamento sera mais rapido para solucionar

um dado problema. Isto depende de muitos fatores, incluindo a complexidade do pro-

blema, o numero de entradas, o numero de pesos na rede e o erro global. Utilizou-se

metade das piscadas detectadas para treinamento e a outra metade para a validacao.

Este procedimento foi repetido em todas as estruturas e algoritmos utilizados. A Tabela 2


Figura 38: Diagrama da rede neural com 4 neuronios na camada intermediaria.Adaptado de [3].

ilustra esta etapa do trabalho.

E importante ressaltar que o erro apresentado na Tabela 2 e referente a soma dos

erros cometidos pelas RNAs na etapa de treinamento e de validacao.

Tabela 2: RNAs com diferentes estruturas criadas para cada tipo de algoritmo detreinamento.

Algoritmo deTreinamento

CamadaEntrada

CamadaInter-mediaria

CamadaSaıda

Erro Total(%)

BR 40 4 3 0,6340 6 3 0,4840 8 3 0,6340 10 3 0,63

RP 40 4 3 0,3240 6 3 0,6340 8 3 0,3240 10 3 0,48

SCG 40 4 3 0,7940 6 3 0,4840 8 3 0,3240 10 3 0,32

Com as RNAs criadas, implementou-se, tambem em MATLAB, uma rotina para o

teste das mesmas, como explicado em detalhes na secao seguinte.

2.6 Resultados Experimentais 60

2.5.2.3 Reconhecimento Automatico de Piscadas (RAP)

Nesta etapa testaram-se todas as RNAs criadas anteriormente, sendo os melhores

resultados apresentados na Tabela 3. Ao todo, utilizaram-se 252 sinais de teste, ou seja,

84 piscadas referentes ao olho esquerdo, 84 referentes ao olho direito e 84 ruıdos gerados

aleatoriamente, todos nao utilizados na etapa de validacao ou treinamento.

Tabela 3: Melhores resultados encontrados pelas diferentes RNAs criadas.Algoritmo de Treina-mento

Neuronios na CamadaIntermediaria

Acerto (%)

BR 6 98,4RP 4 99,6SCG 10 98,4

Observa-se na Tabela 3 que, com o sistema desenvolvido, consegue-se um acerto de

99,6% na deteccao da piscadas de olhos, o que e uma melhoria em relacao a um trabalho

anterior do grupo de pesquisa do LAI/UFES [19], que obteve um acerto maximo de 94,7%

na deteccao das piscadas.

Os resultados apresentados mostraram-se bastante satisfatorios, demonstrando a aplica-

bilidade do uso de RNAs para reconhecimento de padroes de SMEs de piscadas de olhos.

Neste sentido, utilizou-se o sistema proposto para realizar a interface homem-maquina

com a cadeira de rodas robotica da UFES, atraves da selecao, por piscadas de olhos, de

sımbolos em um tabuleiro pictografico disponıvel em um PDA.

2.6 Resultados Experimentais

Realizado todo o estudo referente as tecnicas de identificacao e deteccao de piscadas

de olhos, ambas as tecnicas descritas foram implementadas em software C++, com o

intuito de validar o sistema proposto.

Todos os testes foram realizados em um computador Pentium IV com 1,8 GHz de

processamento, 512 MB de memoria RAM e sistema operacional Windows XP R©.

2.6.1 Analise de Atividade

Como descrito anteriormente, esta tecnica utiliza um indicador de atividade baseado

na variabilidade do sinal mioeletrico proveniente da piscada de olhos. Dentro deste con-

texto, quatro indivıduos do sexo masculino, com idades entre 20 e 35 anos, foram se-

2.6 Resultados Experimentais 61

lecionados aleatoriamente para testar esta tecnica. Cada indivıduo selecionou 15 ıcones

pre-determinados no PDA, simulando o movimento da cadeira de rodas robotica da UFES,

e os resultados sao apresentados na Tabela 4.

Tabela 4: Resultados encontrados para o sistema baseado na analise de atividade doSME da piscada de olhos.

Indivıduos Numero de Testes Acerto (%)A 15 100B 15 100C 15 93,3D 15 100

2.6.2 Redes Neurais Artificiais

Da mesma forma que a tecnica utilizada anteriormente, foram selecionados indivıduos

aleatoriamente. Novamente, estes eram do sexo masculino com idades entre 20 e 35 anos

e cada um deles realizou 16 piscadas de olhos, sendo 8 referentes ao olho direito e 8 ao

olho esquerdo. Neste caso, tentou-se avaliar a classificacao realizada pelas RNAs.

Alem disso, implementaram-se as RNAs treinadas com algoritmo BR, RP e SCG com

o intuito de comparar as diferentes estruturas neurais criadas na etapa de treinamento.

No entanto, dada a facilidade de implementacao e simplicidade da estrutura, os testes

aqui realizados utilizaram apenas as RNAs com 40 neuronios na camada de entrada, 4

na camada oculta e 3 neuronios na camada de saıda. Os resultados para este caso sao

apresentados na Tabela 5.

E importante destacar que o erro apresentado na Tabela 5 ocorre quando e realizada

uma piscada, por exemplo, do olho direito e a RNA a classifica como sendo proveniente

do olho esquerdo. Ja o equıvoco ocorre quando e realizada uma piscada do olho direito

ou do olho esquerdo e a RNA a classifica como ruıdo.

2.6.3 Conclusoes

A partir das Tabelas 4 e 5 podemos tirar algumas conclusoes. Apesar do sistema

baseado na analise de atividade da piscada de olhos ter acerto relativamente superior ao

sistema baseado em RNAs, nao foi possıvel avaliar, em ambos os casos, o efeito estocastico

do SME da piscada, o que provavelmente validaria o sistema baseado em RNAs.

Especificamente para o sistema baseado em RNAs, conclui-se que, apesar dos resul-

2.7 Problemas Associados a Piscada de Olhos 62

Tabela 5: Resultados encontrados para o sistema baseado redes neurais artificiais.AlgoritmoTreinamento

Indivıduos Piscadas Erro (%) Equıvoco (%)

BR Dir Esq Dir Esq Dir EsqA 8 8 0 0 0 12,5B 8 8 0 12,5 0 0C 8 8 0 12,5 12,5 0

RP Dir Esq Dir Esq Dir EsqA 8 8 0 0 0 0B 8 8 0 0 0 12,5C 8 8 12,5 12,5 0 0

SCG Dir Esq Dir Esq Dir EsqA 8 8 0 0 0 0B 8 8 0 0 0 0C 8 8 0 0 0 12,5

tados encontrados na Tabela 3 apontarem como melhores estruturas neurais as treinadas

com algoritmo RP, quando implementadas em tempo real e com estruturas mais simples,

as RNAs com algoritmo de treinamento SCG demonstraram melhores resultados. Seria

necessario, talvez, realizar um maior numero de testes em tempo real para validar os

resultados encontrados na Tabela 3.

De maneira geral, quando implementadas em tempo real, as RNAs demonstraram

resultados bastante satisfatorios, classificando corretamente ate 100% das piscadas de

olhos realizadas pelo indivıduo A, utilizando as RNAs treinadas com os algoritmos RP e

SCG.

2.7 Problemas Associados a Piscada de Olhos

Apesar das tecnicas descritas serem eficientes, existem alguns problemas associados a

piscada de olhos. Entre eles podemos destacar pessoas que apresentam espasmos muscu-

lares e pessoas que nao possuem a capacidade de realizar a piscada de olhos, ocasionado,

por exemplo, por deficiencia motora severa.

Um espasmo e uma contracao involuntaria de um musculo ou grupo de musculos.

Neste sentido, um espasmo na regiao facial pode gerar um sinal com a mesma amplitude

do SME proveniente da piscada voluntaria de olhos, fazendo com que um sinal de comando

seja enviando involuntariamente.

As pessoas com deficiencia neuromotora apresentam comprometimentos diversos, decor-

2.7 Problemas Associados a Piscada de Olhos 63

rentes das patologias acometidas. Em consequencia da causa e do grau de abrangencia

deste comprometimento, pode ser afetado o desenvolvimento motor, limitando o andar, a

coordenacao de bracos, pernas e da fala. Nos casos mais severos, a pessoa com deficiencia

possui apenas o movimento do globo ocular, limitando o uso do sistema baseado na pis-

cada de olhos.

Dentro deste contexto, optou-se por desenvolver, tambem neste trabalho, uma in-

terface homem-maquina baseada no rastreamento do movimento do globo ocular. Todo

processo e realizado utilizando-se o processamento de imagens provenientes de uma camara

colocada estrategicamente em um oculos de protecao adaptado. Esta tecnica sera melhor

descrita no proximo capıtulo.

64

3 Rastreamento do Movimentodos Olhos (Eye-Tracking)

O termo “eye-tracking”ou em portugues “rastreamento dos olhos”, refere-se ao processo

de determinar para onde um dado indivıduo esta olhando, dado qualquer instante de

tempo. O estudo cientıfico do movimento dos olhos humanos teve inıcio no seculo XIX,

mas somente no seculo XX estes estudos passaram a utilizar camaras de vıdeo. Es-

pecificamente, em 1940 pesquisadores americanos utilizaram uma camara para gravar os

movimentos dos olhos de pilotos em um cockpit, o qual representou o primeiro sistema

de rastreamento dos olhos com o proposito de pesquisa [35]. O primeiro sistema de ras-

treamento dos olhos com interface com o computador foi desenvolvido pela empresa LC

Technologies em 1988 [35].

E importante destacar que o desenvolvimento de sistemas baseados em rastreamento

dos olhos e importante para a ciencia, industria e comercio. A utilizacao destes sistemas

como um dispositivo de entrada alternativo para a interface homem-computador vem

sendo pesquisado por diversas universidades do mundo. Dentro deste contexto, estes

sistemas podem ser utilizados particularmente por pessoas com mobilidade reduzida.

Como principal objetivo, sistemas de rastreamento do movimento dos olhos per-

mitem que pessoas com deficiencia se comuniquem atraves, por exemplo, de sımbolos

pictograficos em um tabuleiro eletronico em um computador. Mais recentemente, estes

sistemas estao sendo utilizados para o controle de dispositivos de locomocao, como cadeiras

de rodas.

Nesta mesma linha, pesquisadores tem descoberto que sistemas baseados no movi-

mento dos olhos possuem uma ampla gama de aplicacoes. Psicologos fazem uso deste

sistema para estudar a atencao dos pacientes [55]. Ja neurologistas o utilizam para inves-

tigar o sistema visual de humanos e animais [56].

3.1 Tecnicas de Rastreamento dos Olhos 65

3.1 Tecnicas de Rastreamento dos Olhos

3.1.1 Eletrooculografia

A eletrooculografia (EOG) e um metodo baseado no registro da diferenca de potencial

existente entre a cornea e a retina (potencial corneo-retina). Esta diferenca de potencial

se produz pela diferente polarizacao das celulas da retina, que geram um dipolo orientado

na direcao do eixo antero-posterior do olho, positivo na zona corneal e negativo na zona

retiniana. Este metodo apresenta uma faixa linear que varia entre -30o e +30o, desde a

posicao central dos olhos. Permite detectar movimentos oculares com precisoes inferiores

a 2o [27].

3.1.2 Lentes de Contato Especiais

Neste caso, o usuario utiliza lentes especiais, constituıdas de um ou mais espelhos

planos, tornando possıvel o calculo da posicao dos olhos. Alternativamente, uma pequena

bobina de inducao pode ser implantada nas lentes; a posicao exata dos olhos pode ser

obtida aplicando-se um campo eletromagnetico de alta frequencia, colocado proxima a

cabeca do usuario [57].

3.1.3 Reflexo de Infravermelho (IR)

Esta tecnica consiste em iluminar os olhos com emissores de raios IR e detectar a

reflexao da luz sobre os mesmos utilizando foto-receptores. Existem diferentes formas de

colocar os emissores e receptores, dando lugar a distintos tipos de reflexoes.

Este metodo e bastante estavel, e linear dentro de ±20o horizontalmente e ±10o

verticalmente, e com precisao inferior a 1o. E nao-invasivo, mas sao necessario cuidados

especiais, pois, ainda que possua baixa potencia, o sinal IR pode causar danos ao usuario.

Alem disso, e necessario calibrar o sistema sempre que utilizado [27].

3.1.4 Videooculografia

Consiste em utilizar camaras de vıdeo para calcular a direcao do olhar. Utiliza-se uma

ou varias camaras CCD de dimensoes reduzidas, focadas continuamente no olho (ou olhos)

onde se deseja realizar o rastreamento. O sinal de vıdeo e digitalizado e, posteriormente,

processado utilizando-se tecnicas de visao artificial [27]. Em funcao da posicao da camara

3.2 Descricao do Sistema Desenvolvido 66

e possıvel distinguir diversas configuracoes:

• Camara solidaria com a cabeca. Nestes sistemas a camara e coloca em um oculos

ou suporte a uma distancia curta do olho. Para evitar perder o campo visual do

olho onde esta montada a camara, pode-se colocar um cristal semi-transparente

ou espelho especial, que permita atraves dele, e mediante uma camara colocada

estrategicamente, tomar um primeiro plano do olho [27]. Este sistema e muito

preciso (precisao inferior a 1o) dentro de uma faixa de medida media (±30o na

horizontal e ±25o na vertical). Normalmente, requer iluminacao adicional e podem

aparecer problemas de reflexao em funcao da iluminacao ambiente.

• Camara sobre suporte fixo. Neste caso, a camara e colocada sobre um suporte fixo a

uma curta distancia (menor que 1 m), sem que atrapalhe a visibilidade do usuario.

tambem sao sistemas que podem alcancar grandes precisoes (inferiores a 1o) dentro

de uma faixa de ±30o na horizontal e ±25o na vertical, em funcao da resolucao da

imagem capturada [27]. E necessaria iluminacao adicional e e de difıcil controle, uma

vez que pode ser perturbado por outros tipos de iluminacao (ambiente, lampadas

fluorescentes, etc). E necessario que a cabeca do usuario permaneca imovel para

alcancar a precisao comentada anteriormente. Pequenos movimentos na cabeca do

usuario provocam desvios, fazendo com que as medidas da direcao dos olhos seja

incorreta. Alem disso, a regiao que separa a camara e o usuario deve estar livre

de obstaculos. Camaras com zoom sao normalmente utilizadas, sendo utilizadas

tambem duas camaras para obtencao do modelo 3D da cabeca, de tal forma que e

possıvel o rastreamento da posicao dos olhos [27].

3.2 Descricao do Sistema Desenvolvido

O metodo proposto nesta Dissertacao de Mestrado e parecido com o proposto em

[36], onde e utilizado uma camara CCD (Charge-Coupled Device) montada em um oculos

de protecao (Equipamento de Protecao Individual - EPI), como mostrado na Figura 39.

Para estimar onde o usuario esta olhando e utilizado o calculo do centroide da imagem

binarizada do olho.

A exata deteccao da ıris e muito importante para a tecnica utilizada, uma vez que o

erro associada a deteccao e diretamente relacionado a precisao de estimacao da direcao

do olhar do usuario. A deteccao da ıris e difıcil, ja que esta pode possuir cor similar a de

outras partes da face, como sobrancelha e supercılios. Assim, para a extracao exata da


Figura 39: Camara montada em oculos de protecao compondo o sistema derastreamento do movimento do olho.

mesma utilizou-se, neste trabalho, um Filtro de Canny para deteccao de bordas, associado

a Transformada Circular Randomica de Hough, de tal forma que foi possıvel determinar,

a partir do centro da ıris, uma regiao de interesse onde posteriormente e calculado o

centro de massa. Alem disso, o rastreamento do movimento dos olhos foi realizado com

a implementacao de um Filtro de Kalman, onde e possıvel notar significante melhora na

precisao do rastreamento. Todas estas foram realizadas em um programa desenvolvido

em C#.

A Figura 40 apresenta uma diagrama em alto nıvel da tecnica utilizada, onde cada

um dos blocos sera melhor explicado nas subsecoes seguintes.

3.2.1 Camara

Obter uma boa imagem da ıris do olho e crucial para o processo de rastreamento dos

olhos. Se, por exemplo, a imagem capturada possui alto contraste sera necessario aplicar

equalizacao de histograma ou filtragem digital, impossibilitando a aquisicao em tempo

real.

Neste trabalho, optou-se pela utilizacao de uma webcam Microsoft LifeCam VX-3000,

apresentada na Figura 41, conectada ao computador atraves da porta USB (Universal

Serial Bus).


Figura 40: Visao geral do sistema implementado.

Figura 41: Webcam Microsoft LifeCam VX-3000 utilizada para rastreamento dos olhos.

Esta webcam apresenta taxa de aquisicao de imagens de ate 30 frames por segundo

com resolucao maxima de 640 x 480 pixels. Alem disso, e possıvel ajustar opcoes como

iluminacao, contraste, controle gamma, escala de cinza e posicao da imagem.

3.2.2 Programa de Interface

Todo o programa foi desenvolvido utilizando-se a linguagem orientada a objetos Mi-

crosoft C#. A escolha desta deve-se a facilidade de comunicacao de qualquer dispositivo

de aquisicao de imagem e o computador. Para isso, e necessario apenas um biblioteca


livre denominada Direct Show.

Todo o programa foi desenvolvido utilizando-se o sistema operacional Windows XP R©,

sendo a maioria do processamento de imagens realizado por uma biblioteca tambem livre

chamada AForge [58].

Alem de possibilitar o uso de camaras com diferentes tipos de comunicacao com o PC

(USB, Firewire, etc), o programa tem acesso a todas as opcoes de ajuste das mesmas,

evitando que seja necessario um ajuste de parametros por softwares externos.

A Figura 42 ilustra o painel principal do programa de interface desenvolvido para o

seguimento dos olhos.

Figura 42: Interface grafica desenvolvida para rastreamento dos olhos.

3.2.3 Binarizacao da Imagem e Threshold

Dentre as varias tecnicas de analise de imagens digitais, a binarizacao pode ser usada

para separar objetos de interesse. Esta altera toda a imagem para tons de preto e branco

conforme o valor de limiar (threshold) escolhido, sendo determinando pela tonalidade do

objeto de estudo, tornando possıvel separar na imagem duas classes: objeto e fundo.

A tecnica de limiar e baseada em um conceito bem simples, mostrado na equacao 3.1.

Im[x, y] =

255 se Im[x, y] > Threshold

0 se Im[x, y] < Threshold(3.1)


Onde, Im[x, y] e a matriz que representa a imagem, x e y as coordenadas de cada

pixel da imagem.

Com esta tecnica simples e possıvel separar a imagem da ıris do restante das imagens

da face, como mostrado na Figura 43.

Figura 43: (a) Imagem original. (b) Imagem binarizada pela aplicacao do threshold.

Porem, e possıvel notar na Figura 43b que a tecnica de binarizacao nao foi capaz de

separar a imagem da ıris, da sobrancelha e dos supercılios, uma vez que estas ultimas

possuem limiares de corte iguais. Dentro deste contexto, e necessario uma tecnica mais

robusta para deteccao da ıris e, consequentemente, a determinacao da regiao de interesse

(ROI, do ingles Region of Interest) na imagem.

Neste trabalho optou-se por utilizar o filtro detector de bordas de Canny associado

a transformada de Hough para a determinacao da ıris. Ambos serao melhor detalhados

posteriormente.

3.2.4 O Filtro Canny

O processo de deteccao de bordas de Canny baseia-se em dois criterios basicos de

desempenho, isto e, os criterios de deteccao e localizacao. Estes criterios estao sujeitos

ainda a um terceiro, conhecido como injuncao de resposta multipla, que forca o processo

a detectar uma unica borda onde existe somente uma borda verdadeira. O principal

objetivo do trabalho de Canny e o desenvolvimento de um detector otimo para o tipo de

bordas mais comum em imagens digitais [59].

Resumidamente, para se implementar um detector de bordas Canny, uma serie de

passos devem ser seguidos [60]:

1. O primeiro passo e filtrar qualquer ruıdo na imagem original. Assim, e utilizado um


filtro Gaussiano realizado a partir de uma mascara simples. Esta mascara e entao

aplicada a imagem utilizando-se uma operacao de convolucao.

2. Apos a eliminacao dos ruıdos da imagem, o proximo passo e encontrar a intensidade

da borda, utilizando para tal o gradiente da imagem. Neste caso, e utilizado o ope-

rador Sobel, capaz de realizar uma medida em duas dimensoes do gradiente espacial

da imagem. Entao, o valor absoluto da magnitude do gradiente a cada ponto pode

ser encontrado. O operador Sobel utiliza um par de mascaras de dimensao 3x3, uma

para estimar o gradiente na direcao x (Gx) e outro para a direcao y (Gy). Ambas

sao mostradas na equacao 3.2.

Gx =

−1 0 +1

−2 0 +2

−1 0 +1

, Gy =

+1 +2 +1

0 0 0

−1 −2 −1

(3.2)

A magnitude do gradiente e entao aproximado utilizando-se

M(x, y) =√

Ix(x, y)2 + Iy(x, )2, (3.3)

onde, Ix e a imagem gerada apos a convolucao da imagem original com a mascara

Gx e Iy a convolucao entre a imagem original e a mascara Gy.

3. No proximo passo e necessario determinar a direcao da borda. Uma vez conhecidos

os gradientes na direcao x e y isso se torna possıvel, bastando calcular

θ =Gy

Gx

. (3.4)

4. Uma vez que a direcao da borda e conhecida, o proximo passo e relacionar a direcao

da borda com uma direcao que pode ser tracada na imagem. Como exemplo, seja

uma matriz 3x3 alinhada, dada por

Gx =

X X X

X a X

X X X

. (3.5)

Entao, pode ser visto olhando-se para o pixel a, que existem apenas quatro direcoes

possıveis: 0o, 45o, 90 e 135o. Assim, a direcao da borda deve ser limitada em uma

dessas quatro regioes, dependendo de qual estara mais proxima.


5. Apos se conhecer as direcoes da borda e necessario aplicar uma supressao nao-

maxima, que e o anulamento dos pixels cujos valores nao sejam maximos locais na

direcao perpendicular a borda, utilizada para tracar uma linha fina na direcao da

borda.

6. Como ultimo passo e aplicado uma limiarizacao adaptativa ou histerese, que con-

siste na limiarizacao baseada em dois limiares τ1 e τ2, onde τ1 = 2τ2 ou τ1 = 3τ2.

Aplicando-se essa limiarizacao o algoritmo efetua um processo de complementacao

das descontinuidades da primeira limiarizacao, aproveitando o resultado da segunda.

A Figura 44 mostra uma imagem processada utilizando-se o filtro de Canny.

Figura 44: (a) Imagem original. (b) Imagem binarizada pela aplicacao do detector debordas de Canny.

3.2.5 Transformada Circular Randomica de Hough

O princıpio basico da Transformada de Hough consiste em obter, atraves das trans-

formacoes do gradiente e da limiarizacao, pontos de uma imagem. A ideia e aplicar na

imagem uma transformacao tal que todos os pontos pertencentes a uma mesma curva

sejam mapeados num unico ponto de um novo espaco de parametrizacao da curva procu-

rada [61].

A Transformada de Hough tem como vantagem o fato de que pode ser aplicada ao

tratamento de qualquer tipo de curva e, alem disso, apresenta muita eficiencia em imagens

fortemente ruidosas. No entanto, tem como desvantagem o fato de que se uma curva e

mais complexa, ou seja, com um numero maior de parametros, o esforco computacional

exigido e bem maior [61].


A Transformada Circular Randomica de Hough (RCHT, do ingles Randon Circular

Hough Transformer) tem como princıpio basico obter, a partir dos pontos de borda de

uma imagem binaria, um pequeno subconjunto de pontos selecionados randomicamente,

a partir dos quais se fara o mapeamento para o novo espaco de parametrizacao da curva

procurada [62].

O metodo RCHT esta baseado no fato de que o ponto unico no novo espaco de

parametrizacao pode ser determinado a partir de um pequeno subconjunto de pontos da

borda da imagem original. O tamanho deste subconjunto depende exclusivamente da

complexidade das curvas a serem detectadas. Por exemplo, para a deteccao de retas e

necessario somente dois pontos distintos de borda da imagem binarizada.

Para o caso dos cırculos, que tem uma parametrizacao bem mais complexa que as

retas, dois pontos sao insuficientes para o calculo da RCHT. Sendo assim, tres ou quatro

pontos serao selecionados randomicamente a partir da borda da imagem binaria original.

Em relacao a Transformada de Hough Classica para cırculos, a RCHT tem como

principal diferenca o fato de que apenas um pequeno subconjunto de pontos da borda da

imagem e necessario para se fazer o mapeamento do novo espaco de parametrizacao da

curva procurada, enquanto que na transformada classica de Hough todos os pontos da

borda sao utilizados. A segunda grande diferenca e que a RCHT nao utiliza o calculo da

reta tangente as curvas, bem como o calculo do vetor Gradiente.

Antes de se aplicar a RCHT, e aplicada a imagem dos olhos o filtro detector de bordas

de Canny. Posteriormente, um algoritmo de analise de blobs e utilizado para identificar

todas as partes da imagem do olho. Blobs nao desejados sao rejeitados antes de se aplicar

a RCHT e, neste caso, um criterio e utilizado: blobs muito pequenos sao excluıdos, ou

seja, blobs com tamanho menores que um limiar, determinado empiricamente, nao sao

analisados pela RCHT. Uma vez que estes sao excluıdos, e esperado que a imagem do

olho contenha apenas os blobs que representem a ıris ou provaveis cırculos.

Assim, cada cırculo da imagem binarizada e parametrizado por dois valores (xc, yc) que

representam as coordenadas do seu centro. Assumindo, inicialmente, que tres pixels de

coordenadas (x, y) estao sobre a borda da imagem, a uma distancia mınima, determinada

empiricamente, e possıvel calcular a RCHT. A Figura 45 ilustra um exemplo para deteccao

do centro do cırculo.

A partir dos pontos escolhidos randomicamente, sao tracadas duas retas, β1 entre os

pontos (X1, Y1) e (X2, Y2) e β2 entre os pontos (X2, Y2) e (X3, Y3). Encontrando os pontos


Figura 45: Exemplo de cırculo com pontos detectados sobre sua borda.

medios P1 entre (X1, Y1), (X2, Y2) e P2 entre (X2, Y2), (X3, Y3) e, tracando duas retas

perpendiculares a partir desses, temos que a interseccao das perpendiculares da-se sobre

o centro do cırculo, conforme e mostrado na Figura 46.

Figura 46: Retas tracadas a partir dos pontos escolhidos aleatoriamente sobre a bordado cırculo e interseccao das retas perpendiculares sobre o centro do cırculo.

A partir da forma da reta perpendicular para os pontos (X1, Y1) e (X2, Y2), tem-se

que

(x− x1)2 + (y − y1)

2 = (x− x2)2 + (y − y2)

2, (3.6)

ou aplicando-se a formula algebrica e isolando as coordenadas x e y,

x[2x2 − 2x1] + y[2y2 − 2y1] + x21 + y2

1 − y22 − x2

2 = 0. (3.7)


Para simplificacao da equacao 3.7, tem-se:

A1 = 2x2 − 2x1, (3.8)

B1 = 2y2 − 2y1, (3.9)

C1 = x21 + y2

1 − y22 − x2

2 (3.10)

Obtendo-se, a primeira equacao da reta perpendicular do ponto medio P1, dada por:

A1xc −B1yc + C1 = 0. (3.11)

Aplicando-se a mesma tecnica para o ponto medio P2 obtem-se:

A2xc −B2yc + C2 = 0. (3.12)

Onde,

A2 = 2x3 − 2x2, (3.13)

B2 = 2y3 − 2y2, (3.14)

C2 = x22 + y2

2 − y23 − x2

3 (3.15)

Tomando-se as equacoes 3.11 e 3.12 e somando-as, tem-se que:

xc(A1 + A2)− yc(B1 + B2) + C1 + C2 = 0. (3.16)

Isolando-se xc na equacao 3.16 encontra-se:

xc =−C1 − C2 − yc(B1 + B2)

(A1 + A2). (3.17)

Substituindo-se a equacao 3.17 em 3.16 e isolando-se yc tem-se:

yc =A1C2 − A2C1

B1(A1 + A2)− A1(B1 + B2). (3.18)

O raio do cırculo e obtido a partir da distancia entre as coordenadas (x, y) dos pixels da


borda da imagem binarizada e as coordenadas (xc, yc) encontrados. Em outras palavras,

calcula-se

r =√

(x− xc)2 + (y − yc)2. (3.19)

Com os centros e raios determinados, a regiao de interesse da ıris e obtida a partir

da media dos centros encontrados pela RCHT e do raio medio determinado a partir da

media dos raios encontrados. A Figura 47 ilustra a aplicacao da tecnica descrita.

Figura 47: Imagem da ıris obtida a partir da aplicacao do filtro Canny. Em azul:centros calculados utilizando-se a Transformada Circular Randomica de Hough. Em

vermelho: centro obtido a partir da media dos centros calculados.

Porem, pode ocorrer a deteccao incorreta da ıris, ou seja, esta pode apresentar outros

elementos de bordas presentes na regiao ocular, como mostrado na Figura 48. Assim, foi

utilizado um algoritmo com base estatıstica que detecta satisfatoriamente os intervalos

que devem ser descartados. Este consiste em marcar, na serie de coordenadas de cen-

tros da ıris, os outliers da serie. Os outliers sao aqueles elementos que apresentam um

grande afastamento dos restantes ou sao inconsistentes com eles [63]. Especificamente,

consideram-se como outliers as amostras que estao fora da faixa delimitada por

Q0,25 − 3

2Q0,50 ≤ C[n] ≤ Q0,75 +

3

2Q0,50, (3.20)

onde Qx representam os quartis ou quantis e C[n] as coordenadas do x o y dos centros. As-

sim, como a mediana representa o valor que divide um conjunto de dados em partes iguais,

os quantis sao os valores que dividem o conjunto de dados em quatro partes. O segundo

quartil (Q0, 50) e tambem denominado intervalo interquartil e e igual a mediana [63].

A Figura 49 apresenta centros calculados para a imagem binarizada da ıris com

artefatos presentes. Note-se em ambas as coordenadas xc e yc do centro a presenca de

outliers.


Figura 48: Imagem da ıris com presenca de artefatos, obtida a partir da aplicacao dofiltro Canny. Em azul: centros calculados utilizando-se a Transformada CircularRandomica de Hough. Em vermelho: centro obtido a partir da media dos centros

calculados. Nota-se claramente o deslocamento do centro medio da ıris, causado pelocalculo errado dos centros.

0 10 20 30 40 50 60−50

0

50

100

150

Coo

rden

ada

X (

pixe

ls)

0 10 20 30 40 50 60−100

−50

0

50

100

Amostras (n)

Coo

rden

ada

Y (

pixe

ls)

Outliers na coordenada X

Outliers na coordenada Y

Figura 49: Coordenadas (xc) e yc do centro da ıris com artefatos, onde e possıvel notar apresenca de outliers.

3.2.6 Calculo do Centroide

Com a regiao de interesse determinada calcula-se entao o centroide da imagem da ıris

do olho, realizando assim, o rastreamento do movimento dos olhos.

O calculo do centroide da imagem processada e realizado aplicando-se a equacao

definida por


x =

∑Mx=1

∑Ny=1 xf(x, y)

∑Mx=1

∑Ny=1 f(x, y)

, (3.21)

y =

∑Mx=1

∑Ny=1 yf(x, y)

∑Mx=1

∑Ny=1 f(x, y)

, (3.22)

onde, M e N representam a dimensao da matriz que contem a imagem da ıris processada,

x e y as coordenadas de cada pixel da imagem, e f(x, y) uma funcao que 1 para pixels

brancos e 0 para pixels pretos.

Apesar de ser facilmente obtido, o calculo do centroide e afetado pela diferenca de

intensidade luminosa, tornando o caminho rastreado muito ruidoso. Assim, para melhor

ajuste do caminho percorrido, aplicou-se ainda um filtro de Kalman nas coordenadas xc

e yc do centroide da ROI detectada.

A Figura 50 ilustra um caminho percorrido, formado pelas coordenadas do centroide

da ROI, sem a aplicacao do filtro, e o mesmo caminho filtrado utilizando-se o referido

filtro.

0 50 100 150 200 250 300 350 400140

150

160

170

180

190

Coo

rden

ada

x c (pi

xels

)

0 50 100 150 200 250 300 350 400140

150

160

170

180

190

200

Amostras (n)

Coo

rden

ada

y c (pi

xels

)

Sinal OriginalSinal Filtrado

Sinal OriginalSinal Filtrado

Figura 50: Em azul: coordenadas xc e yc originais do centroide da ıris. Em vermelho:coordenadas filtradas utilizando-se o filtro de Kalman.

3.3 Consideracoes Praticas para o Eye-Tracking 79

3.3 Consideracoes Praticas para o Eye-Tracking

Como todo sistema baseado em processamento de imagens, algumas consideracoes

importantes devem ser destacadas. Especificamente para o sistema de rastreamento im-

plementado neste trabalho, os principais problemas apresentados foram com relacao a

iluminacao e a piscada dos olhos. Ambos serao melhor detalhados nas secoes seguintes.

3.3.1 Iluminacao

A iluminacao e de extrema importancia, uma vez que se optou por utilizar um sistema

baseado na imagem do olho, diferente de outros sistemas que utilizam infravermelho para

a deteccao da ıris. Porem, a propria webcam utilizada possui um sensor que se ajusta

automaticamente a diferenca de intensidade luminosa. Esta ainda possui uma opcao de

ajuste para ambientes com baixa iluminacao, no entanto, a escolha desta acarreta uma

reducao da taxa de aquisicao de imagens.

A Figura 51 mostra algumas imagens do olho adquiridas pelo sistema de rastreamento

dos olhos, em ambientes com iluminacao distintas.

Figura 51: (a) Imagem adquirida com iluminacao natural. (b) Imagem adquirida com oajuste ”Pouca Luz”ativado. (c) Imagem adquirida com iluminacao proveniente de

luminaria comum de mesa.

3.3 Consideracoes Praticas para o Eye-Tracking 80

3.3.2 Piscada dos Olhos

Outro problema encontrado durante a implementacao do sistema e referente a piscada

dos olhos. Como o sistema e baseado no calculo do centroide da imagem de interesse,

quando uma piscada e realizada este centroide pode ser deslocado, fazendo com que

comandos sejam enviados sem a intencao do usuario. A Figura 52 ilustra o problema

encontrado durante a piscada dos olhos.

Figura 52: (a) Imagem original. (b) Imagem processada com centro de massadeterminado. (c) Imagem original onde e realizada uma piscada. (d) Imagem processada

com centro de massa deslocado pela piscada.

Neste caso, foi proposto uma tecnica na qual e calculada a derivada do centro de

massa. Em outras palavras, toma-se a area inicial da ROI como referencia e analisa-

se a variacao desta ao longo do tempo. Quando esta variacao ultrapassa um limiar,

determinado empiricamente, um comando de piscada e identificado e nao e enviado ao

PDA. Esta tecnica foi utilizada com sucesso, sendo que o limiar deve levar em consideracao

a intensidade luminosa do ambiente em que esta funcionando o sistema desenvolvido.

Vale ressaltar que o rastreamento do movimento dos olhos e uma tecnica que se

utiliza, principalmente, em pessoas com deficiencia severa, incapacitadas de realizar qual-

quer movimento muscular. Ou seja, essas pessoas nao podem piscar os olhos, resultando

desnecessaria a preocupacao com este tipo de artefato.

81

4 Consideracoes Finais

4.1 Consideracoes Finais

Os objetivos deste trabalho foram avaliar e desenvolver interfaces, baseadas em sinais

de piscadas de olhos e rastreamento do movimento dos olhos, para comunicacao com um

PDA a bordo de uma cadeiras de rodas robotizada. Tecnicas classicas de filtragem do

sinal mioeletrico e metodos simples de reconhecimento de padroes foram aplicados ao

sinal de piscada de olhos. Ao sistema baseado no rastreamento do movimento dos olhos

foram aplicadas algumas tecnicas de processamento de imagens para a localizacao da ıris

e calculo do centroide da regiao de interesse.

Diante dos resultados obtidos na filtragem dos ruıdos, pode-se observar que ambos os

filtros utilizados conseguiram reduzir a relacao sinal-ruıdo no SME da piscada de olhos.

Porem, os filtros IIR apresentam ordens muito menores que os filtros FIR, que geram um

atraso relativamente grande no sinal de saıda. No entanto, os filtros IIR nao apresentam

resposta em fase linear, sendo necessaria a filtragem forward and reverse, tornando o

sistema nao-causal e dificultando sua utilizacao em tempo real. Assim, optou-se por

utilizar um filtro FIR, sendo sua banda de passagem concentrada entre 0,45 e 15 Hz.

O presente trabalho nao utilizou parametros classicos empregados na maioria dos

metodos de reconhecimento de padroes em sinais de eletromiograma facial, tais como o

metodo estatıstico utilizado em [45, 19]. A metodologia adotada e semelhante a adotada

em [26].

Os algoritmos implementados e utilizados neste trabalho se mostraram bastante satis-

fatorios, sendo possıvel a deteccao do pico e dos intervalos de duracao das piscadas de olho.

A reducao da quantidade e a melhoria na qualidade dos sinais de entrada possibilitaram

a criacao de redes neurais que satisfizeram o objetivo principal do trabalho.

As RNAs e a analise de atividade do SME da piscada de olhos demonstraram, de

maneira geral, capacidade de encontrar padroes nos sinais estudados. Porem, as RNAs

4.2 Trabalhos Futuros 82

foram capazes de distinguir os tipos de sinais de piscadas. A topologia feedforward com

algoritmo backpropagation, de duas camadas ativas e uma intermediaria, permitiu uma

classificacao satisfatoria dos sinais. Os resultados globais apresentaram-se superiores a

98% para os algoritmos de treinamento BR e SCG, e superior a 99% para o algoritmo RP.

Quando implementadas em C++, as RNAs apresentaram resultados satisfatorios,

sendo necessaria uma estrutura relativamente simples, com apenas quatro neuronios na

camada intermediaria, 40 neuronios na entrada e tres na saıda. A rede neural reconheceu

dois padroes de piscada diferentes, no entanto, e possıvel implementar uma rede que seja

treinada para, por exemplo, diferenciar a piscada de olhos do movimento do globo ocular.

Atraves da implementacao de uma interface baseada no rastreamento do movimento

do olhos, tentou-se contornar problemas relacionados ao espasmo muscular involuntario e

a dificuldade de pessoas com deficiencia motora severa realizar piscadas de olhos.

A interface baseada no rastreamento dos olhos mostrou-se uma alternativa simples e

barata comparada com sistemas comerciais encontrados na literatura. Com a utilizacao do

filtro de Canny aliado a Transformada Circular Randomica de Hough, foi possıvel detectar

satisfatoriamente a ıris do globo ocular e, assim, determinar uma regiao de interesse,

diminuindo a influencia da sobrancelha e cılios no calculo do centroide da ıris. A utilizacao

do filtro de Kalman aumentou a resolucao do sistema, possibilitando um ajuste fino no

rastreamento do movimento dos olhos.

Com o calculo da derivada da imagem foi possıvel detectar satisfatoriamente a real-

izacao da piscada de olhos que, quando realizada, desloca o centroide da imagem bina-

rizada. Ja com relacao a iluminacao, essa continua sendo o maior problema associado

a tecnica utilizada. Diferentes fontes luminosas alteram significativamente o calculo do

centroide da imagem e, consequentemente, o rastreamento do movimento dos olhos.

Em ambas as interfaces foi possıvel realizar a comunicacao com o PDA, possibilitando,

portanto, realizar a interface do usuario com a cadeira de rodas robotica da UFES.

Finalmente, e importante ressaltar a necessidade de um treinamento previo do usuario

em ambas as interfaces desenvolvidas.

4.2 Trabalhos Futuros

Com relacao ao SME da piscada de olhos, pretende-se estudar outras tecnicas de re-

conhecimento de padroes, como Discriminante Linear de Fisher e Classificador Bayesiano,

4.2 Trabalhos Futuros 83

com o intuito de eleger a melhor maneira de reconhecer padroes do sinal estudado.

Tecnicas de filtragem digital adaptativa tambem devem ser estudas e implementadas

com o objetivo de diminuir a influencia estocastica do sinal mioeletrico no sistema desen-

volvido.

Com relacao ao sistema baseado no rastreamento do movimento dos olhos, torna-se

interessante a utilizacao de outras tecnicas de deteccao da ıris do globo ocular. A utilizacao

de uma mascara para aproximacao por elipse e uma otima opcao, pois possui um tempo

de processamento menor do que a Transformada Randomica Circular de Hough.

Com a utilizacao de uma matriz de calibracao e possıvel reproduzir, com bastante

precisao, as coordenadas do movimento do globo ocular em uma tela de computador,

expandindo as possibilidades do usuario com deficiencia severa e, consequentemente, tor-

nando possıvel a comunicacao aumentativa e alternativa do mesmo.

84

Referencias

[1] POLLAK, E. I. Diagrams of Neurons, Synapses, Neu-roanatomy, and Endocrinology. 2007. Disponıvel em:<http://mywebpages.comcast.net/epollak/PSY255 pix/PSY255 pix.htm>. Acessoem: 17 Agosto 2007.

[2] BELTRAMINI, L. M. Elementos de Histologia e Anatomo-fisiologia Humana. 2007.Disponıvel em: <http://biologia.ifsc.usp.br/bio1/biologia1.html/cap5>. Acesso em: 17Agosto 2007.

[3] ORTOLAN, R. L. Estudo e Avaliacao de Tecnicas de Processamento de SinalMioeletrico Para Controle de Sistemas de Reabilitacao. 133 p. Dissertacao (Mestrado)— Universidade de Sao Paulo (USP), Sao Carlos - SP, 2002.

[4] DELSYS, I. A Discussion on Surface Electromyography: Detection and Recording.2002. Disponıvel em: <http://www.delsys.com/KnowledgeCenter/Tutorials.html>.Acesso em: 19 Agosto 2007.

[5] ELSEVIER, I. Grupo Orbital dos Musculos da Face. 2005. Disponıvel em:<www.anato.ufrj.br/material/>. Acesso em: 25 Agosto 2007.

[6] PONTE, M. N. da. Comunicacao aumentativa e tecnologias de apoio em contextopedagogico. In: Actividades de Formacao o Servico da UTAAC. [S.l.: s.n.], 2006.

[7] ESTATıSTICA, I. B. de Geografia e. Estatısticas so-bre Pessoas com Deficiencia. 2000. Disponıvel em:<http://www.ibge.gov.br/home/presidencia/noticias/noticia visualiza.php?id noticia=438&id pagina=1>. Acesso em: 01 Outubro 2007.

[8] BASTOS-FILHO, T. F. 2007. Disponıvel em: <http://www.ele.ufes.br/tfbastos/grupoufes.htm>.Acesso em: 2 Outubro 2007.

[9] HUDGINS, B.; PARKER, P.; SCOTT, R. N. A new strategy for multifunction myo-electric control. IEEE Transactions on Biomedical Engineering, v. 40, n. 1, p. 82–94,January 1993.

[10] ENGLEHART, K. et al. Time-frequency representation for classification of the tran-sient myoeletric signal. Proceedings of the 20th Annual International Conference of theIEEE Engineering in Medicine and Biology Society, v. 20, n. 5, p. 2627–2630, 1998.

[11] GALLANT, P. J.; MORIN, E. L.; PEPPARD, L. E. Feature-based classificationof myoelectric signals using artificial neural networks. In: DEPARTMENT OF ELEC-TRIAL & COMPUTER ENGINEERING. Med. Bio. Eng. Comput. Kingston, Ontario,Canada, 1998. v. 36, p. 485–489.

Referencias 85

[12] CAI, L.; WANG, Z.; ZHANG, H. Classifying EMG Signals using T-F Representa-tion and SVD. Atlanta GA, USA: [s.n.], October 1999. Proceedings of The First JointBMES/EMBS Conference Serving Humanity, Advancing Technology).

[13] CUNHA, F. L. et al. O uso de redes neurais artificiais para o reconhecimento depadroes em uma protese mioeletrica de mao. In: I Congresso Iberoamericano de Tec-nologias de Apoio a Deficiencia (Iberdiscap). [S.l.: s.n.], 2000. p. 339–342.

[14] BUENO, L.; CERES, R.; PONS, J. L. Estudio de las tecnologıas actuales parael control de protesis multifuncionales basadas en senales electromiograficas. In: VCongresso Iberoamericano de Tecnologias de Apoio a Deficiencia (Iberdiscap). [S.l.:s.n.], 2005.

[15] ORTOLAN, R. L. et al. Proposta de um sistema de controle de uma protesemioeletrica multifuncao para membros superiores. In: V Congresso Iberoamericano deTecnologias de Apoio a Deficiencia (Iberdiscap). [S.l.: s.n.], 2005. p. 111–114.

[16] VICENZO, C. V. et al. Simulador de comportamentos para proteses mioeletricasde membro superior. In: V Congresso Iberoamericano de Tecnologias de Apoio aDeficiencia (Iberdiscap). [S.l.: s.n.], 2005. p. 347–351.

[17] CASCaO, C. A. J. et al. Estudo e desenvolvimento de uma protese ativa de pernascomandada por sinais eletromiograficos. In: VII Simposio Brasileiro de AutomacaoInteligente (SBAI). Sao Luis MA: [s.n.], 2005.

[18] FERREIRA, R. U. et al. Reconhecimento de padroes de sinais de emg para controlede protese de perna. In: XI Congresso Brasileiro de Biomedica (CBB). [S.l.: s.n.], 2005.

[19] FRIZERA, A. N. et al. Human-machine interface based on electro-biological sig-nals for mobile vehicles. In: International Symposium on Industrial Electronics (ISIE).Montreal: [s.n.], 2006. v. 1, p. 2954–2949.

[20] GUERREIRO, T. J. V.; JORGE, J. A. P. Controlo Miografico de Dispositivos Moveispara Tetraplegicos. Universidade Tecnica de Lisboa, Lisboa: [s.n.], 2006. Disponıvel em:<http://immi.inesc-id.pt/abstract.php?publication id=173>. Acesso em: 23 Outubro2007.

[21] COLE, K. J.; KONOPACKI, R. A.; ABBS, J. H. A miniature electrodefor surface electromyography during speech. The Journal of the Acoustical So-ciety of America, ASA, v. 74, n. 5, p. 1362–1366, 1983. Disponıvel em:<http://link.aip.org/link/?JAS/74/1362/1>.

[22] LAPATKI, B. G.; STEGEMAN, D. F.; JONAS, I. E. A surface emg electrode for thesimultaneous observation of multiple facial muscles. Journal of Neuroscience Methods,v. 2, p. 117–128, October 2002.

[23] LAPATKI, B. G. et al. Topographical characteristics of motor units of the lower facialmusculature revealed by means of high-density surface emg. Journal of NeuroscienceMethods, v. 95, p. 342–354, julyr 2005.

[24] HUANG, C. N.; CHEN, C. H.; CHUNG, H. Y. The review of applications and mea-surements in facial electromyography. Journal of Medical and Biological Engineering,v. 25, n. 1, p. 15–20, July 2004.

Referencias 86

[25] BLUMENTHAL, T. D. et al. Guidelines for human startje eyeblink electromyo-graphic studies. Journal of Psychophysiology, v. 42, p. 1–15, 2005.

[26] NIEMENLEHTO, P. H.; JUHOLA, M.; SURAKKA, V. Detection of electromyo-graphic signals from facil muscles with neural networks. ACM Transactions on AppliedPerception, v. 3, n. 1, p. 48–61, January 2006.

[27] NAVARRO, R. B. Interfaz usuario-maquina basado en electrooculografıa. Aplicaciona la ayuda a la movilidad. Tese (Doutorado) — Universidad de Alcala: EscuelaPolitecnica, Alcala de Henares, 2001.

[28] SMI. SensoMotoric Instruments GmbH. Berlin, Germany: [s.n.], 2000. Disponıvelem: <http://www.smi.de>. Acesso em: 12 Outubro 2007.

[29] LABORATORIES, O. Express Eye. Freiburg, Germany: [s.n.], 2000. Disponıvel em:<http://www.optom.de>. Acesso em: 12 Outubro 2007.

[30] METROVISION. Perenchies, Franca: [s.n.], 2000. Disponıvel em:<http://www.metrovision.fr>. Acesso em: 20 Outubro 2007.

[31] ERICA, I. Eye Response Interface Computer Aid System. Charlottesville, USA: [s.n.],2000. Disponıvel em: <http://www.eyeresponse.com>. Acesso em: 20 Outubro 2007.

[32] GIPS, J.; OLIVIERI, P. An eye control system for persons with disabilities. In:COMPUTER SCIENCE DEPARTMENT. The Eleventh International Conference onTechnology and Persons with Disabilities. Los Angeles, California, 1996.

[33] KIM, S. I. et al. A fast center of pupil detection algorithm for vog-based eye movementtracking. In: Engineering in Medicine and Biology 27th Annual Conference. Shanghai,China: Proceedings of the 2005 IEEE, 2005. p. 1–4.

[34] IACOVIELLO, D.; CALCAGNINI, G.; CENSI, F. Pupil edge detection and mor-phological identification from blurred noisy images. In: Proccedings 25th Annual Inter-national Conference of the IEEE EMBS. Cancun, Mexico: [s.n.], 2003.

[35] ARQUE, R. et al. Building a Low-Cost Device to Track Eye Movement. December2004.

[36] SCHNEIDER, E. et al. Eye movement driven head-mounted camera: it looks wherethe eyes look. Systems, Man and Cybernetics, IEEE International Conference on, v. 3,p. 2437–2442, October 2005.

[37] BALLARD, D. H.; BROWN, C. M. Computer Vision. Englewood Cliffs, New Jersey:Prentice-Hall, 1982.

[38] YOW, K. C.; CIPOLLA, R. Towards an automatic human face localization system.In: Department of Engineering In Proc. British Machine Vision Conference. Birming-ham: Spring-Verlag, 1995. v. 2, p. 701.

[39] BALUJA, S.; POMERLEAU, D. Non-Intrusive Gaze Tracking Using ArtificialNeural Networks. Pittsburgh PA, USA: School of Computer Science, Carnigie MellonUniversity, 1994. Research Paper CMU-CS-94-102.

Referencias 87

[40] SALVIATO, T. P. Sistema de Inicializacao, Treinamento e Aplicacao de Redes Neu-rais Artificiais na Deteccao de Piscadas de Olhos. Agosto 2007. Monografia (Projetode Graduacao).

[41] ALMEIDA, M. A. F. Filtragem Digital de Sinais Biomedicos. 116 p. Dissertacao(Mestrado) — Universidade Federal de Santa Catarina (UFSC), Santa Catarina - SC,1997.

[42] GUYTON, A. C.; HALL, J. E. Textbook of Medical Physiology. 15. ed. Philadelphia:Elsevier Saunders, 2006. ISBN 0-8089-2317-X.

[43] DELUCA, C. J. Physiolgy and mathematics of myoelectric signals. IEEE Transac-tions on Biomedical Engineering, v. 26, n. 6, p. 313–325, June 1979.

[44] KREIFELDT, J. G.; YAO, S. A signal-to-noise investigation of nonlinear electromyo-graphic processors. IEEE Transactions on Biomedical Engineering, v. 21, n. 4, p. 298–308, 1974.

[45] TONIOLO, C. de C. Selecao de Sımbolos Pictograficos em Tabuleiro EletronicoAtraves de Sinais Mioeletricos. Novembro 2005. Monografia (Projeto de Graduacao).

[46] ANALOG. Analog Devices AD7716: 22-Bit Data Acquisition System. 2002. Manualdo Circuito Intergrado AD7716.

[47] RANGARAJ, M. R. Biomedical Signal Analysis. New York: Wiley Interscience, 2002.

[48] BORN, R. S. Filtros Adaptativos aplicados a Sinais Biomedicos. Janeiro 2001. Mono-grafia (Projeto de Graduacao).

[49] BAREA, R. et al. Electro-oculographic wheelchair using eye movements codification.v. 22, n. 7-8, p. 641–652, August 2003.

[50] ANTONIOU, A. Digital Filters: Analysis, Design and Applications. 2. ed. [S.l.]:McGraw-Hill, Inc., 1993. ISBN 0-07-002121-X.

[51] DINIZ, P. S. R.; SILVA, E. A. B. da; NETTO, S. L. Processamento Digital de Sinais:Projeto e Analise de Sistemas. [S.l.]: Bookman, Inc., 2004. ISBN 85-363-0418-9.

[52] CAVALIERI, D. C. Redes Neurais Artificiais Aplicadas no Auxılio ao Diagnostico deEletrocardiogramas. Dezembro 2005. Monografia (Projeto de Graduacao).

[53] PARKER, S. H.; LEE, S. P. Emg pattern recognition based on artificial intelligencetechniques. IEEE Transactions Rehabilitation Eng., v. 6, n. 4, p. 400–405, December1998.

[54] MATHWORKS. Neural Network Toolbox: Users Guide. 2000.

[55] MORAN, A. Exploring Visual Attention Using Eye-Tracking Technology. 2007.Disponıvel em: <http://www.ucd.ie/psydept/eyetrack.html>. Acesso em: 17 Setem-bro 2007.

[56] ANDO, K.; JOHANSON, C. E.; SCHUSTER, C. R. The effects of ethanol on eye-tracking in rhesus monkeys and humans. Pharmacology Biochemical Behavior, v. 1,n. 26, p. 103–109, 1987.

Referencias 88

[57] WARD, D. J. Adaptive Computer Interfaces. Tese (Doutorado) — University of Cam-bridge, November 2001.

[58] KIRILLOV, A. AForge.NET framework. 2001. Disponıvel em:<http://code.google.com/p/aforge/>. Acesso em: 1 Outubro 2007.

[59] VALE, G. M. do; POZ, A. P. D. Processo de deteccao de bordas de canny. Bol.Cienc. Geod., sec. Artigos, v. 8, n. 2, p. 67–78, 2002.

[60] GREEN, B. Canny Edge Detection Tutorial. 2002. Disponıvel em:<http://www.pages.drexel.edu/ weg22/can tut.html>. Acesso em: 19 Setembro2007.

[61] MCLAUGHLIN, R. A. Randomized hough transform: Improved ellipsedetection with comparison. In: . [s.n.], 1997. p. 1–12. Disponıvel em:<http://ciips.ee.uwa.edu.au/Papers/Technical Reports/1997/01/Index.html>. Acessoem: 17 Setembro 2007.

[62] MCLAUGHLIN, R. A.; ALDER, M. D. Hough transform versus the upwrite. In:. University of western Australia, Australia: [s.n.], 1995. p. 1–13. Disponıvel em:<http://ciips.ee.uwa.edu.au/Papers/Technical Reports/1995/03/Index.html>. Acessoem: 17 Setembro 2007.

[63] CAVALIERI, D. C.; JORGE, D. C. Redes neurais artificiais aplicadas no auxıliode diagnosticos de eletrocardiogramas. In: XVI Congresso Brasileiro de Automatica(CBA). [S.l.: s.n.], 2006. p. 339–342.

interface homem-m¶aquina para uma cadeira de rodas...

Documents